Lois usuelles. Michaël Genin. Université de Lille 2. EA Santé Publique : Epidémiologie et Qualité des soins
|
|
- Jean-Philippe Métivier
- il y a 6 ans
- Total affichages :
Transcription
1 Lois usuelles Michaël Genin Université de Lille 2 EA Santé Publique : Epidémiologie et Qualité des soins michaelgenin@univ-lille2fr
2 Plan 1 Exemple introductif Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
3 Plan 1 Exemple introductif 2 Lois usuelles discrètes Loi uniforme Loi de Bernoulli Loi binomiale Loi de Poisson Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
4 Plan 1 Exemple introductif 2 Lois usuelles discrètes Loi uniforme Loi de Bernoulli Loi binomiale Loi de Poisson 3 Lois usuelles continues Loi uniforme Loi exponentielle Loi normale Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
5 Plan 1 Exemple introductif 2 Lois usuelles discrètes Loi uniforme Loi de Bernoulli Loi binomiale Loi de Poisson 3 Lois usuelles continues Loi uniforme Loi exponentielle Loi normale 4 Théorèmes de convergence Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
6 Plan 1 Exemple introductif 2 Lois usuelles discrètes Loi uniforme Loi de Bernoulli Loi binomiale Loi de Poisson 3 Lois usuelles continues Loi uniforme Loi exponentielle Loi normale 4 Théorèmes de convergence 5 Compléments Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
7 Exemple introductif Point étudié 1 Exemple introductif 2 Lois usuelles discrètes 3 Lois usuelles continues 4 Théorèmes de convergence 5 Compléments Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
8 Exemple introductif Exemple introductif Observation d un phénoméne : Poids de 5000 bébés à la naissance Distribution des poids à la naissance fréquence 0e+00 2e-04 4e-04 6e-04 8e Poids en g Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
9 Exemple introductif Exemple introductif On voudrait modéliser le phénoméne : Soit X une variable aléatoire réelle qui associe à un bébé son poids à la naissance X : Ω E R ω X (ω) Pour modéliser le phénomène, il faut déterminer la loi de probabilité de X Déterminer sa fonction de densité!! Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
10 Exemple introductif Exemple introductif Distribution des poids à la naissance fréquence 0e+00 2e-04 4e-04 6e-04 8e Poids en g Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
11 Exemple introductif Il existe un certain nombre de lois de probabilités usuelles qui permettent de modéliser des phénomènes aléatoires On distingue : Les lois discrètes associées aux va discrètes Loi uniforme Loi de Bernoulli Loi Binomiale Loi de Poisson Les lois continues associées aux va continues Loi uniforme Loi exponentielle Loi normale Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
12 Lois usuelles discrètes Point étudié 1 Exemple introductif 2 Lois usuelles discrètes Loi uniforme Loi de Bernoulli Loi binomiale Loi de Poisson 3 Lois usuelles continues 4 Théorèmes de convergence 5 Compléments Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
13 Lois usuelles discrètes Loi uniforme Point étudié 1 Exemple introductif 2 Lois usuelles discrètes Loi uniforme Loi de Bernoulli Loi binomiale Loi de Poisson 3 Lois usuelles continues 4 Théorèmes de convergence 5 Compléments Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
14 Lois usuelles discrètes Loi uniforme Loi uniforme Définition Une distribution de probabilité suit une loi uniforme lorsque toutes la valeurs prises par la variable aléatoire sont équiprobables Si k est le nombre de valeurs différentes prises par la variable aléatoire, i; P(X = x i ) = 1 k Exemple Lancer de dé non pipé Donner la loi de probabilité associée au lancer de dé et la représenter graphiquement Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
15 Lois usuelles discrètes Loi uniforme Loi uniforme Correction X P(X = x) Lancer de dé P(X=k) k Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
16 Lois usuelles discrètes Loi de Bernoulli Point étudié 1 Exemple introductif 2 Lois usuelles discrètes Loi uniforme Loi de Bernoulli Loi binomiale Loi de Poisson 3 Lois usuelles continues 4 Théorèmes de convergence 5 Compléments Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
17 Lois usuelles discrètes Loi de Bernoulli Loi de Bernoulli - Définition Définitions préliminaires Toute expérience aléatoire menant à deux résultats possibles : Succès ou Echec, est appelée Epreuve de Bernoulli ex : Pile ou Face Si on répète de manière indépendante n fois une épreuve de Bernoulli, nous obtenons un schéma de Bernoulli ex : 10 lancers indépendants d une pièce de monnaie Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
18 Lois usuelles discrètes Loi de Bernoulli Loi de Bernoulli - Définition Définition Soit une épreuve de Bernoulli et soit X une va prenant comme valeur 1 en cas de succès et 0 en cas d échec X : Ω E = {0, 1} ω X (ω) X suit une loi de Bernoulli de paramètre p notée : X B(1, p) Loi de probabilité de X P(X = 1) =p P(X = 0) =1 p = q ou p + q = 1 P(X = k) = p k (1 p) 1 k Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
19 Lois usuelles discrètes Loi de Bernoulli Loi de Bernoulli - Définition Exercice Notons X une variable aléatoire qui suit une loi de Bernoulli de paramètre p Calculer E[X ] et V [X ] Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
20 Lois usuelles discrètes Loi de Bernoulli Loi de Bernoulli - Définition Exercice Notons X une variable aléatoire qui suit une loi de Bernoulli de paramètre p Calculer E[X ] et V [X ] Correction E[X ] = E[X ] =p k x i P(X = x i ) = 1 p + 0 (1 p) i=1 V [X ] =E[X 2 ] E[X ] 2 = 1 2 p (1 p) p 2 V [X ] =p(1 p) A retenir : X B(1, p) E[X ] = p V [X ] = p(1 p) Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
21 Lois usuelles discrètes Loi de Bernoulli Loi de Bernoulli - Exemples Exemple 1 On jette une piéce de monnaie équilibrée Ω = {Pile, Face} Soit X une variable aléatoire discrète X (ω) = 1 si ω = Pile X (ω) = 0 si ω = Face P(X = 1) = p = 1/2 donc X B(1, 1/2) Exemple 2 Une maladie M a une prévalence de 4% On choisit au hasard un individu dans la population Soit X une variable aléatoire discrète X (ω) = 1 si ω = Malade X (ω) = 0 si ω = Non malade P(X = 1) = p = 004 donc X B(1, 004) Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
22 Lois usuelles discrètes Loi binomiale Point étudié 1 Exemple introductif 2 Lois usuelles discrètes Loi uniforme Loi de Bernoulli Loi binomiale Loi de Poisson 3 Lois usuelles continues 4 Théorèmes de convergence 5 Compléments Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
23 Lois usuelles discrètes Loi binomiale Loi Binomiale - Définition Définition Soit un schéma de Bernoulli et soit X la va qui associe au schéma le nombre de succès : X : Ω E = 1 n ω X (ω) X suit une loi binomiale de paramètres n et p : X B(n, p) Probabilité de l obtention de k succès au cours de n épreuves indépendantes Loi de probabilité k {0, 1, 2, n}, Avec P(X = k) = C k n p k (1 p) n k C k n = n! k!(n k)! Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
24 Lois usuelles discrètes Loi binomiale Loi Binomiale - Définition Propriété La somme de n variables de Bernoulli indépendantes de paramètre p est une variable aléatoire suivant une loi binomiale de paramètres n et p X i B(1, p), i {1, 2,, n}, X i indépendantes S n = n i=1 X i S n B(n, p) Remarque Une variable de Bernoulli est un cas particulier d une variable binomiale X B(1, p) Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
25 Lois usuelles discrètes Loi binomiale Loi Binomiale - Exercice Exercice Soit S n B(n, p) Calculer E[S n ] et V [S n ] Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
26 Lois usuelles discrètes Loi binomiale Loi Binomiale - Exercice Exercice Soit S n B(n, p) Calculer E[S n ] et V [S n ] Correction [ n ] E[S n ] = E X i = [ n ] V [S n ] = V X i i=1 i=1 = n E[X i ] = np i=1 n V [X i ] i=1 }{{} Les X i sont indépendantes = np(1 p) A retenir : S n B(n, p) E[S n ] = np; V [S n ] = np(1 p) Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
27 Lois usuelles discrètes Loi binomiale Loi Binomiale - Exemples Exemple 1 On jette 10 fois de suite une pièce de monnaie équilibrée Quelle est la probabilité d avoir un total de 8 piles? Soit X une va qui associe à ces 10 lancers de pièce le nombre de pile P(X = 8) = C 8 10 X B(10, 1/2) ( 1 2 ) 8 ( P(X = 8) = ) 10 8 Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
28 Lois usuelles discrètes Loi binomiale Loi Binomiale - Exemples Exemple 2 On veut modéliser le nombre de garçons dans une famille de 6 enfants Chaque naissance i (i {1, 2, 6}) peut être considérée comme une variable de Bernoulli X i B(1, p) avec p = 1/2 On suppose chaque naissance indépendante des autres Soit : 6 Y = i=1 X i Y B(6, 1/2) La probabilité d avoir 4 garçons dans une famille de 6 enfants est : P(Y = 4) = C 4 6 ( ) 4 ( = ) Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
29 Lois usuelles discrètes Loi de Poisson Point étudié 1 Exemple introductif 2 Lois usuelles discrètes Loi uniforme Loi de Bernoulli Loi binomiale Loi de Poisson 3 Lois usuelles continues 4 Théorèmes de convergence 5 Compléments Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
30 Lois usuelles discrètes Loi de Poisson Loi de Poisson - Définition Loi des événements rares Définition Soit X une va à valeurs dans N On dit que X suit une loi de Poisson de paramètre λ(λ R + ), notée P(λ), si : A retenir : X P(λ) k N, P(X = k) = e λ λ k E[X ] = V [X ] = λ Cette loi est souvent utilisée dans la modélisation des files d attente : nombre de clients en attente à une caisse de supermarché, nombre de conducteurs passés à un péage pendant une période de temps k! Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
31 Lois usuelles discrètes Loi de Poisson Loi de Poisson - Exemple Loi de Poisson de paramètre lambda = 2 P(X=k) k Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
32 Lois usuelles discrètes Loi de Poisson Loi de Poisson - Exemple Exercice A un guichet d une banque, on sait que le nombre moyen de clients par heure est de 12 On suppose que le nombre de clients par heure est distribué selon une loi de Poisson Quelle est la probabilité pour qu en une heure, le guichetier s occupe de plus de 15 clients? Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
33 Lois usuelles discrètes Loi de Poisson Loi de Poisson - Exemple Exercice A un guichet d une banque, on sait que le nombre moyen de clients par heure est de 12 On suppose que le nombre de clients par heure est distribué selon une loi de Poisson Quelle est la probabilité pour qu en une heure, le guichetier s occupe de plus de 15 clients? Correction Soit X P(λ) avec λ = 12 P(X > 15) = 1 P(X 15) = 1 P(X > 15) = k=0 e ! Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
34 Lois usuelles discrètes Loi de Poisson Approximation de la loi binomiale par une loi de Poisson Avantage calculatoire Coefficient binomial Approximation de la loi binomiale par une loi de Poisson Soit une variable aléatoire binomiale X B(n, p) Si n 50, p 01 et np 10 alors B(n, p) P(np) Exemple Soit X le nombre de cas d un maladie rare (1/10 000) d un échantillon de 1000 personnes X B(1000, 00001) P( ) = P(10) Remarque : le nombre moyen espéré de personnes atteintes par la maladie dans l échantillon est de 10 Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
35 Lois usuelles discrètes Loi de Poisson Loi de Poisson - Exercice Exercice Une maladie rare présente une prévalence de 2/ Quelle est la probabilité que dans un échantillon de personnes, on observe 0,1 ou 2 malades? 2 Quelle est la probabilité d observer au moins 3 malades? Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
36 Lois usuelles discrètes Loi de Poisson Loi de Poisson - Exercice Exercice Une maladie rare présente une prévalence de 2/ Quelle est la probabilité que dans un échantillon de personnes, on observe 0,1 ou 2 malades? 2 Quelle est la probabilité d observer au moins 3 malades? Correction Soit X la variable aléatoire qui associe à un échantillon de personnes le nombre de malades X B(10000, 2/10000) Comme n = > 50, p = 2/10000 > 01 et np = /10000 = 2 < 10 B(10000, 2/10000) P(2) 1 P(X = 0) = 013 ; P(X = 1) = 027 ; P(X = 2) = P(X 3) = 1 P(X 2) = 1 ( ) = 033 Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
37 Lois usuelles continues Point étudié 1 Exemple introductif 2 Lois usuelles discrètes 3 Lois usuelles continues Loi uniforme Loi exponentielle Loi normale 4 Théorèmes de convergence 5 Compléments Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
38 Lois usuelles continues Loi uniforme Point étudié 1 Exemple introductif 2 Lois usuelles discrètes 3 Lois usuelles continues Loi uniforme Loi exponentielle Loi normale 4 Théorèmes de convergence 5 Compléments Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
39 Lois usuelles continues Loi uniforme Loi uniforme - Définition Définition La va X suit une loi uniforme sur l intervalle [a, b], a < b, notée U [a,b], si sa fonction de densité f (x) est donnée par : 1 si x [a, b] f (x) = (b a) 0 sinon Loi uniforme entre 2 et 4 f(x) x Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
40 Lois usuelles continues Loi uniforme Loi uniforme - Définition Calculer E[X ] Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
41 Lois usuelles continues Loi uniforme Loi uniforme - Définition Calculer E[X ] E[X ] = + a xf (x)dx = xf (x)dx + }{{} b =0 b a + xf (x)dx + xf (x)dx b } {{ } =0 1 = x( a b a )dx [ ] 1 x 2 b 1 1 = = (b a) 2 a (b a) 2 (b2 a 2 ) 1 = (b a)(b + a) 2(b a) E[X ] = b + a 2 Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
42 Lois usuelles continues Loi uniforme Loi uniforme - Définition Variance de X V [X ] = E[X 2 ] E[X ] 2 + ( ) ( 1 b + a = x 2 dx b a 2 ) 2 On admettra : V [X ] = (b a)2 12 Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
43 Lois usuelles continues Loi uniforme Loi uniforme - Définition Fonction de répartition Rappel : Pour toute loi continue on peut calculer la probabilité que la variable aléatoire [a, b] présente des valeurs comprises dans un intervalle [a, b] via la densité de probabilité : P(X [a, b]) = b a f (x)dx via la fonction de répartition F (x) = P(X x) = x f (t)dt Fonction de répartition - Loi uniforme F (x) = x P(X [a, b]) = F (b) F (a) f (t)dt = x a f (t)dt = 1 b a [t]x a = x a b a Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
44 Lois usuelles continues Loi uniforme Loi uniforme - Exemple Exercice On considére que la mesure d un caractére biologique chez des patients suit une loi uniforme sur l intervalle continu [0, 20] Soit X la var qui associe à un patient sa mesure biologique X U [0,20] 1 Quelle est la probabilité d avoir une mesure entre 14 et 18? 2 Quelle est la probabilité d avoir une mesure entre 4 et 8? Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
45 Lois usuelles continues Loi uniforme Loi uniforme - Exemple Exercice On considére que la mesure d un caractére biologique chez des patients suit une loi uniforme sur l intervalle continu [0, 20] Soit X la var qui associe à un patient sa mesure biologique X U [0,20] 1 Quelle est la probabilité d avoir une mesure entre 14 et 18? 2 Quelle est la probabilité d avoir une mesure entre 4 et 8? Equiprobabilité!! P(X [14, 18]) = F (18) F (14) = 1/5 P(X [4, 8]) = F (8) F (4) = 1/5 Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
46 Lois usuelles continues Loi exponentielle Point étudié 1 Exemple introductif 2 Lois usuelles discrètes 3 Lois usuelles continues Loi uniforme Loi exponentielle Loi normale 4 Théorèmes de convergence 5 Compléments Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
47 Lois usuelles continues Loi exponentielle Loi exponentielle - Définition La loi exponentielle modélise la survie au sens large (être humains, appareils, piéces mécaniques ) Elle a pour paramètre λ > 0 et est notée E(λ) X : temps de survie : Fonction de répartition P(X x) = e λx = S(x) x R +, P(X x) = 1 e λx Fonction de densité Moments f (x) = { λe λx si x 0 0 si x < 0 E[X ] = 1 λ V [X ] = 1 λ 2 Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
48 Lois usuelles continues Loi exponentielle Loi exponentielle - Définition Loi exponentielle de paramètre lambda = 1/2 f(x) x Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
49 Lois usuelles continues Loi exponentielle Loi exponentielle - Exemple Le temps de survie de patients atteints d un certain cancer peut être modélisé par une loi exponentielle de moyenne 2 ans Soit X une var qui associe à un patient sa durée de survie en années 1 Quelle est la probabilité de survivre au bout d un an? 2 ans? 5 ans? Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
50 Lois usuelles continues Loi exponentielle Loi exponentielle - Exemple Le temps de survie de patients atteints d un certain cancer peut être modélisé par une loi exponentielle de moyenne 2 ans Soit X une var qui associe à un patient sa durée de survie en années 1 Quelle est la probabilité de survivre au bout d un an? 2 ans? 5 ans? Correction On sait que E[X ] = 2 λ = 1/2, X E(1/2) P(X 1) = 1 F (1) = S(1) = 1 (1 e 1/2 ) = e 1/2 = 061 P(X 2) = e 1 = 037 P(X 5) = e 5/2 = 008 Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
51 Lois usuelles continues Loi normale Point étudié 1 Exemple introductif 2 Lois usuelles discrètes 3 Lois usuelles continues Loi uniforme Loi exponentielle Loi normale 4 Théorèmes de convergence 5 Compléments Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
52 Lois usuelles continues Loi normale Loi normale générale - Définition Loi normale, Loi gaussienne, Loi de Gauss, Loi de Laplace-Gauss Loi trés importante en statistique : De nombreux phénoménes suivent une loi proche Certaines lois convergent vers une loi Normale sous certaines conditions Rôle important dans l estimation statistique Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
53 Lois usuelles continues Loi normale Loi normale générale - Définition Définition Soit X une var X suit une loi normale de paramètres (µ, σ), notée N (µ, σ), si X admet comme densité : x R, µ R, σ R + f (x) = 1 1 ( x µ σ 2π e 2 σ ) 2 Remarques E[X ] = µ V [X ] = σ 2 Cette loi est symétrique par rapport à µ : F ( x) = 1 F (x) Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
54 Lois usuelles continues Loi normale Loi normale générale - Définition Loi normale N(0,1) f(x) x Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
55 Lois usuelles continues Loi normale Loi normale générale - Définition Lois normales N(0,1) et N(0,2) f(x) N(0,1) N(0,2) x Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
56 Lois usuelles continues Loi normale Loi normale générale - Définition Lois normales N(0,1) et N(2,1) f(x) N(0,1) N(2,1) x Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
57 Lois usuelles continues Loi normale Loi normale générale - Définition Fonction de répartition Probléme : F (x) = P(X x) = x f (t)dt = x 1 ( t µ 1 σ 2π e 2 σ F (x) n a pas d expression explicite (analytique) en fonction de x!! Solution : Nécessité d utiliser des tables Méthode des trapézes : autant de calculs de lois possibles On utilise une normalisation pour utiliser une seule table ) 2 Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
58 Lois usuelles continues Loi normale Loi normale - Définition Définition Soit X une variable aléatoire continue de moyenne µ et d écart-type σ On appelle variable centrée-réduite la va X définie par X = X µ σ E[X ] = 0 (Centrée), V [X ] = 1 (Réduite) Conséquence : Si X N (µ, σ) alors X N (0, 1) La fonction de répartition de X, notée Φ(x), est tabulée Souvent notée Z ou U Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
59 Lois usuelles continues Loi normale Table de la loi Normale centrée-réduite Présentation des tables Table de la fonction de répartition Φ(u) de la loi normale centrée réduite Cette table indique les probabilités des intervalles sous la forme ], u] pour des valeurs positives de u C est la fonction de répartition Φ telle que Φ(u) = u f (t) dt Pour des valeurs négatives de u, on utilise la symétrie de la courbe Table de distribution de U, loi normale centrée réduite On veut déterminer u tel que P(U u) = F (u) = 1 α ou P(U u) = G(u) = α La table donne u α en fonction de α Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
60 1 2 Lois usuelles continues Loi normale Pour les valeurs négatives de x, on utilise la propriété suivante : Loi normale centrée-réduite Table F ( x) =1 F (x) x Φ(164) = P(X 09904< 164) = Φ( 164) = 1 Φ(164) = Michaël Genin (Université de Lille ) Lois usuelles Version octobre / 66 Soit X N (0, 1)
61 Lois usuelles continues Loi normale Loi normale - Exercice Exercice : Poids des bébés à la naissance Le poids des bébés à la naissance suit une loi normale de moyenne 3,3 Kg et d écart-type 0,6 Kg On note X la variable aléatoire poids des bébés à la naissance 1 Calculer la probabilité que 2, 12 X 4, 48 2 Déterminer la limite du poids correspondant aux 10% des bébés les plus gros Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
62 Lois usuelles continues Loi normale Loi normale - Exercice X : poids des bébés à la naissance X N (µ = 33, σ = 06) Z : va centrée réduite Z = X µ σ ( P(212 < X < 448) = P < Z < 06 = P( 197 < Z < 197) ) Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
63 Lois usuelles continues Loi normale Loi normale - Exercice P(212 < X < 448) = P( 197 < Z < 197) = F (197) F ( 197) = F (197) [1 F (197)] = 2 F (197) 1 = Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
64 Lois usuelles continues Loi normale Loi normale - Exercice l : limite du poids correspondant aux 10% des bébés les plus gros P X } {{ } Z P(X l) = 010 P(X < l) = = 090 < l 33 } 06 {{} l = 090 Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
65 Lois usuelles continues Loi normale Loi normale - Exercice La valeur de l telle que P(Z < l ) = 090 est l =12816 l = l 41kg Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
66 Théorèmes de convergence Point étudié 1 Exemple introductif 2 Lois usuelles discrètes 3 Lois usuelles continues 4 Théorèmes de convergence 5 Compléments Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
67 Théorèmes de convergence Rappel : Approximation de la loi binomiale par la loi de Poisson correcte quand n 50, p 10, np 10 La loi binomiale et la loi de Poisson peuvent être approchées par une loi normale Approximation de la loi binomiale par la loi normale Si n > 30, np > 5 et n(1 p) > 5 alors : B(n, p) N (np, np(1 p)) Logique car E[X ] = np et V [X ] = np(1 p) Approximation de la loi de Poisson par la loi normale Si n 30 et λ 10 alors P(λ) N (λ, λ) Logique car E[X ] = V [X ] = λ Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
68 Théorèmes de convergence Approximation de la loi binomiale par la loi normale Loi binomiale B(5,1/3) Loi binomiale B(10,1/3) P(X=x) P(X=x) x x Loi binomiale B(20,1/3) Loi binomiale B(100,1/3) P(X=x) P(X=x) x Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66 x
69 Théorèmes de convergence Approximation de la loi binomiale par la loi normale Approximation d'une loi binomiale B(100,1/3) par une loi normale P(X=x) N(100*3,sqrt(100*1/3*2/3)) x Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
70 Théorèmes de convergence Approximation de la loi de Poisson par la loi normale Loi de Poisson P(2) Loi de Poisson P(5) P(X=x) P(X=x) x x Loi de Poisson P(15) Loi de Poisson P(50) P(X=x) P(X=x) x Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66 x
71 Théorèmes de convergence Approximation de la loi de Poisson par la loi normale Approximation d'une loi de Poisson P(50) par une loi normale N(50,sqrt(50)) P(X=x) x Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
72 Théorèmes de convergence Théorème Central - Limite (TCL) Théorème très important en statistique Idée : convergence en loi de la somme de va iid vers la loi normale Utile dans l approximation d une loi par une loi normale (Binomiale, Poisson,) Utile, essentiel dans la théorie de l estimation Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
73 Théorèmes de convergence Théorème Central - Limite (TCL) Contexte : Epreuves répétées caractérisées par une suite X 1, X 2,, X n de va iid E[X i ] = µ et V [X i ] = σ 2 Soit S n = n i=1 X i et Z n la variable centrée-réduite : Z n = S n nµ σ n Théorème x, la fonction de répartition F n (x) = P(Z n x) est telle que lim Fn(x) = Φ n avec Φ fonction de répartition de N (0, 1) Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
74 Théorèmes de convergence Théorème Central - Limite (TCL) Autrement dit, une variable aléatoire résultant de la somme de plusieurs va ayant même loi et paramètres est distribuée selon une loi normale centrée réduite lorsque le nombre d épreuves tend vers l infini Le TCL s applique quelque soit la loi de probabilité suivie par les va discrètes ou continues, pourvu que les épreuves soient indépendantes, reproductibles et en très grand nombre Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
75 Compléments Point étudié 1 Exemple introductif 2 Lois usuelles discrètes 3 Lois usuelles continues 4 Théorèmes de convergence 5 Compléments Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
76 Compléments Lois déduites de la loi Normale Loi du χ 2 de Pearson Soient X 1, X 2,, X n avec X i N (0, 1) Soit Y = n i=1 X 2 i Alors Y suit une loi du Khi-deux de Pearson à n degrés de libertés Y χ 2 n ddl Cette loi est tabulée, à la manière de la loi normale Utilité dans les tests statistiques!! Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
77 Compléments Lois déduites de la loi Normale Loi de Student Soit U N (0, 1) et V χ 2 n ddl, U et V étant indépendantes Soit : T n = U V n Alors T n suit une loi de Student à n degrés de liberté T n T n ddl Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
78 Compléments Loi de Fisher-Snédécor Soient X 1 χ 2 ν 1 ddl et X 2 χ 2 ν 2 ddl, X 1 et X 2 étant indépendantes Soit : F = X 1/ν 1 X 2 /ν 2 F suit une loi de Fisher-Snedecor à ν 1 et ν 2 degrés de liberté F F (ν1,ν 2 ) ddl Michaël Genin (Université de Lille 2) Lois usuelles Version - 16 octobre / 66
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
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 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 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 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 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 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 détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
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 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 détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
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 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 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 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 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 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 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 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 détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailModélisation des risques
2 Modélisation des risques 2. Introduction L objectif de ce chapitre est de présenter les modèles de base utilisés pour décrire le comportement aléatoire d un risque en actuariat pour une période xe. Les
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 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 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 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 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 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 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 détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
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 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 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
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 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 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 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 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 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 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 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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
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 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 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 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 détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
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 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 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 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 détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
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 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 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 détailNOTES DE COURS STT1700. Introduction à la statistique. David Haziza
NOTES DE COURS STT1700 Introduction à la statistique David Haziza Automne 008 Qu est ce que la statistique? La statistique est la science dont le but est de donner un sens aux données. L étude statistique
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailOUTILS STATISTIQUES ET NUMÉRIQUES
UNIVERSITÉ D ORLEANS Année universitaire 211-212 UFR Sciences Master FAC et SAE, 2ème année OUTILS STATISTIQUES ET NUMÉRIQUES POUR LA MESURE ET LA SIMULATION T. Dudok de Wit Université d Orléans 16 septembre
Plus en détail