Quelques notions élementaires de probabilités et statistiques

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Quelques notions élementaires de probabilités et statistiques"

Transcription

1 Chapitre 6 Quelques otios élemetaires de probabilités et statistiques 6.1 Probabilités U uivers Ω est u esemble modélisat les réalisatios possibles d ue expériece. U esemble A P(Ω) modélise la otio d évéemet 1. O appelle probabilité toute foctio P associat u ombre réel P (A) à tout évéemet A et vérifiat les trois axiomes suivats : P (A) 0 pour tout A, P (Ω) = 1, pour toute collectio (A i ) i I d évéemets disjoits, P ( i I A i )= i I P (A i ). Lorsque l uivers Ω est fii ou déombrable, pour tout évéemet A Ω, P (A) = x A P (x). Quelques propriétés élémetaires : P ( ) = 0, P (A B) =P (A)+P (B) P (A B), P (A) =1 P (A), A B P (A) P (B), 0 P (A) 1 pour tout A. Si B est u évéemet de probabilité o ulle, o défiit ue probabilité P ( B) surω par P (A B) =P (A B)/P (B). E particulier, P (x B) =P (x)/p (B) six B et P (x B) =0 sio. O dit que P (A B) est la probabilité coditioelle de A sachat que B s est réalisé. Pour tout évéemet A, o a : P (A B) =P (A B)/P (B), P (A B) = P (B A)P (A)/P (B) (formule de Bayes). 1. A doit être o vide et stable par complémetaire et par uio déombrable : u esemble vérifiat ces propriétés est appelé ue σ-algèbre. Lorsque Ω est fii ou déombrable, o peut toujours supposer que A est égal à P(Ω). Lorsque Ω est pas déombrable, il est pas toujours possible d associer ue probabilité à chacue de ses parties et il est écessaire de cosidérer u esemble d évéemets strictemet iclus das P(Ω) 1

2 Si (A i ) i I est ue famille d évéemets deux à deux icompatibles et telle que i I A i =Ω, alors pour tout évéemet B, o a P (B) = i I P (B A i )P (A i )(formule des probabilités totales). O dit que deux évéemets A et B sot idépedats si P (A B) =P (A)P (B). Si les probabilités de A et B sot o ulles, l idépedace de A et B est équivalete à P (A) = P (A B) ou P (B) =P (B A) Exercices Exercice 1 : U sac cotiet ue pièce équilibrée et deux pièces biaisées : P (Pile)=1/3 et P (Face)=2/3. 1. O prélève ue pièce, o la lace ue fois. Quelle est la probabilité d observer Pile? 2. O prélève ue pièce, o la lace deux fois. O observe Pile puis Face?Quelleestla probabilité que la pièce soit biaisée? 3. O prélève ue pièce, o la lace deux fois, o observe Pile,Pile. O la lace ue troisième fois. Quelle est la probabilité d observer Pile? Exercice 2 : Vous êtes face à trois portes. U lot se trouve derrière l ue d etre elles. Vous vous apprêtez à ouvrir ue porte mais avat que vous le fassiez, o ouvre ue des deux portes que vous avez pas choisies : celle-ci e cache aucu lot. Avez-vous itérêt à maiteir votre choix, à chager de choix ou est-ce idifféret? 6.2 Variables aléatoires Soit P ue distributio de probabilité sur l uivers Ω. Ue variable aléatoire réelle est ue applicatio X :Ω R. O appelle loi de probabilité de X la doée des probabilités P (X I) =P (X 1 (I)) pour tout itervalle I de R. SiX e pred qu u ombre fii ou déombrable de valeurs, la loi de probabilité de X est défiie par les valeurs P (X = α) pour α X(Ω). Exemple 1. Quelques variables aléatoires : 1. O jette deux dés : X est la somme des ombres affichés par les dés. 2. O jette u dé jusqu à obteir 6 : X est le ombre de lacers réalisés. 3. O a appris u classifieur f, o teste f sur u ouvel exemple (x, y). X pred la valeur 1sif(x) = y et 0 sio. 4. Idem. O tire u ouvel échatillo T. X est le risque empirique R T emp(f) def calculé sur T. Défiitio 1. La foctio de répartitio d ue variable aléatoire X est la foctio F : R [0, 1] défiie par F (x) =P (X <x). 2

3 F est croissate lim x + F (x) =1 lim x F (x) =0 P (X [a, b[) = F (b) F (a) O dit qu ue variable aléatoire X est cotiue s il existe ue foctio de desité f telle que P (X I) = f(x)dx. Deux variables X et Y sot idépedates si pour tous itervalles I et J, P (X Y I J) =P (X I)P (Y J). L espérace mathématique E(X) d ue variable aléatoire est la moyee des valeurs prises par X. Elle est défiie par : E(X) = P (ω)x(ω) = xp (X = x) ω Ω pour ue variable fiie ou déombrable et par E(X) = R I x X(Ω) xf(x)dx pour ue variable cotiue X de foctio de desité f. Si X est ue variable aléatoire costate preat la valeur a, E(X) = a. L espérace mathématique est ue forme liéaire sur l espace vectoriel des variables aléatoires : E(aX + by )=ae(x)+be(y ) pour toutes v.a. X et Y et tous réels a et b. Si X et Y sot idépedates, E(XY ) = E(X)E(Y ). Iégalité de Markov : pour tout réel t, P (X t) E(X). t O peut aussi défiir ue otio d espérace coditioellemet à u évéemet. Si P (A) = 0, o défiit E(X A) comme l espérace de X relativemet à la probabilité P ( A). Das le cas discret, o a E(X A) = xp (x A). x X(Ω) Si (A i ) i I est ue famille d évéemets deux à deux icompatibles, de probabilités o ulles et telle que i I A i = Ω, alors pour tout évéemet B, o a E(B) = i I E(B A i )P (A i )(formule de l espérace totale). La variace d ue variable aléatoire mesure sa dispersio autour de sa valeur moyee. Elle est défiie par V(X) =E((X E(X) 2 ). L écart-type d ue v.a. est la racie carrée de sa variace : σ(x) = V(X). O peut iterpréter l écart-type comme ue distace das u espace euclidie. 3

4 V(X) =E(X 2 ) E(X) 2. V(aX) =a 2 V(X). Si X et Y sot des v.a. idépedates, V(X + Y )=V(X)+V(Y ). Iégalité de Bieaymé-Tchebitcheff : P ( X E(X) >tσ) 1 t 2 où t est u réel quelcoque o ul. Cette iégalité est remarquable : elle mesure la cocetratio de toute variable aléatoire autour de so espérace. La cotrepartie de so uiversalité est que cette iégalité est très faible. Démostratio (de l iégalité de Bieaymé-Tchebitcheff). P ( X E(X) >tσ)=p ((X E(X)) 2 >t 2 V(X)) V(X)/(t 2 V(X)) =1/t 2. d après l iégalité de Markov. O est souvet ameé à cosidérer variables aléatoires X 1,...,X idépedates et de mêmes lois, ayat µ pour espérace et σ pour écart-type. O défiit alors la somme et la moyee de ces variables par S = X X et X = X X. O déduit immédiatemet des formules précédetes que E(S )=µ, V(S )=σ 2, E(X) =µ et V(X) = σ2. O déduit de l iégalité de Bieaymé-Tchebitcheff que pour tout >0, P ( X µ >) σ2 0 quad. 2 Par coséquet (loi faible des grads ombres), Exercices X X lim = µ avec probabilité 1. Exercice 3 : O lace u dé équilibré. X est le ombre affiché par le dé. Calculez l espérace et la variace de X. Exercice 4 : O a appris u classifieur f de risque R(f). O teste f sur u ouvel exemple (x, y) tiré selo la distributio sous-jacete. X pred la valeur 1 si f(x) = y et 0 sio. Calculez l espérace et la variace de X. O tire u ouvel échatillo T de taille. X T est le risque empirique R T emp(f) def calculé sur T. Calculez l espérace et la variace de X T. Exercice 5 : O lace u dé jusqu à obteir 6 : X est le ombre de lacers réalisés. Calculez l espérace de X. Idicatio : cosidérez l évéemet A : 6 est apparu au premier lacer, motrez que E(X A) = E(X) + 1 et utilisez la formule de l espérace totale. 4

5 6.3 Quelques lois utiles Loi de Beroulli La loi de Beroulli de paramètre p est la loi d ue variable X preat ses valeurs das {0, 1} et telle que P (X = 1) = p. OaE(X) =p et V(X) =p(1 p). Exemple : Etat doé u classifieur f, la v.a. qui cosiste à tirer u ouvel exemple (x, y) et retourer 1 si y = f(x) et 0 sio suit ue loi de Beroulli de paramètre R(f) Loi biomiale La loi biomiale de paramètres et p est la loi suivie par la somme S = X X de variables de Beroulli X 1,...,X, idépedates et de même paramètre p. S pred des valeurs etières, comprises etre 0 et. Pour 0 k, o a P (S = k) =Cp k k (1 p) k. E appliquat les propriétés de l espérace et de la variace, o obtiet facilemet E(S) = p et V(S) = p(1 p). Notos égalemet qu o a X X X X E = p et V = p(1 p). Exemple : Etat doé u classifieur f, la v.a. qui cosiste à tirer ouveaux exemples et retourer le ombre d erreurs commises par f suit ue loi biomiale de paramètres et R(f) Loi ormale O appelle loi ormale de paramètre (µ, σ) (ou ecore loi de Laplace-Gauss) la loi d ue variable aléatoire cotiue de desité f(x) = 1 σ 2π exp (x µ)2 2σ 2. Elle est otée N(µ, σ). Si X suit ue loi ormale N(µ, σ), o a E(X) =µ et V(X) =σ 2. Si X suit ue loi ormale N(0, 1), la variable σx + µ suit ue loi N(µ, σ ). Le théorème cetral-limite : Soit (X ) ue suite de variables aléatoires idépedates de même loi, d espérace µ et d écart-type σ, alors X X µ L N(0, 1) σ où X L Y sigifie que la foctio de répartitio de X coverge uiformémet vers celle de Y. O parle de covergece uiforme e loi. O e déduit e particulier que la loi ormale B(, p) de paramètres et p coverge vers la loi ormale N(p, p(1 p)). De même, si chaque X i suit ue loi de Beroulli de paramètre p, leurmoyee(x X )/ suit asymptotiquemet ue loi ormale de paramètres p et p(1 p)/. E pratique, o idetifie les deux lois dès que 30 et que p(1 p) 5. 5

Résumé : Probabilités Niveau : Bac Sciences de l informatique Réalisé par : Prof. Benjeddou Saber

Résumé : Probabilités Niveau : Bac Sciences de l informatique Réalisé par : Prof. Benjeddou Saber Résumé : Niveau : Bac Scieces de l iformatique Réalisé par : Prof. Bejeddou Saber Tableau récapitulatif sur le déombremet: Type du tirage : Simultaé Successif sas remise Successif avec remise U tirage

Plus en détail

CONVERGENCE ET APPROXIMATION

CONVERGENCE ET APPROXIMATION 11-2- 2010 J.F.C. Cov. p. 1 CONVERGENCE ET APPROXIMATION I CONVERGENCE EN PROBABILITÉ 1. Défiitio 2. Ue coditio suffisate de covergece e probabilité 3. La loi faible des grads ombres 4. Ue coséquece de

Plus en détail

Convergences et approximations

Convergences et approximations Covergeces et approximatios Probabilités : Chapitre 5 Das tout ce chapitre, les démostratios serot faites das le cas des variables discrètes et des variables à desité. I Iégalité de Bieaymé-Tchebychev

Plus en détail

Résumé 10 : Probabilités I

Résumé 10 : Probabilités I http://mpbertholletwordpresscom Résumé 10 : Probabilités I Ω sera u esemble abstrait, c est-à-dire sas structure particulière P(Ω désige l esemble de tous les sous-esembles de Ω, y compris le sous-esemble

Plus en détail

Probabilités générales

Probabilités générales Chapitre 4 termiale s Probabilités géérales Les probabilités (rappels) : ) Quelques otios de vocabulaire : Nous allos étudier selo quelle mesure u fait proveat du hasard peut être prévisible a) Ue expériece

Plus en détail

Plan du cours. Rappels de probabilité. Axiomes des probabilités. Définition de la probabilité

Plan du cours. Rappels de probabilité. Axiomes des probabilités. Définition de la probabilité Pla du cours Rappels de probabilité Défiitios Axiomes Variable aléatoire Foctio de répartitio Momets R. Flamary, R. Herault, A. Rakotomamojy 9 octobre 4 Exemples de lois Loi uiforme Loi ormale Loi uiforme

Plus en détail

Université Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Année Examen du 13 mai 2015

Université Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Année Examen du 13 mai 2015 Uiversité Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Aée 2014-15 Exame du 13 mai 2015 Le sujet comporte 2 pages. L épreuve dure 2 heures. Les documets, calculatrices et téléphoes

Plus en détail

Éléments de probabilités

Éléments de probabilités Chapitre 1 Élémets de probabilités 1.1 Notio d expériece aléatoire Défiitio 1 Ue expériece, dot o coait les issues possibles, est appelé expériece aléatoire s il est impossible de savoir à l avace quelle

Plus en détail

Divers exercices de probabilité

Divers exercices de probabilité Divers exercices de probabilité Traiter e priorité les quatre premiers exercices de chaque sectio. 1 Probabilité Exercice 1.1 Mo voisi a deux efats. 1- Le plus jeue est ue fille, quelle est la probabilité

Plus en détail

Probabilités : programme pour le concours EDHEC AST1

Probabilités : programme pour le concours EDHEC AST1 : programme pour le cocours EDHEC AST1 1 Espaces de probabilité Défiitio. O fixe u esemble Ω qui sera esuite appelé l uivers. O appelle tribu, ou σ-algèbre sur Ω tout esemble F de parties de Ω (aisi F

Plus en détail

Convergence en loi. Théorème de la limite centrale.

Convergence en loi. Théorème de la limite centrale. Uiversité Pierre et Marie Curie 2013-2014 Probabilités et statistiques - LM345 Feuille 10 (semaie du 2 au 6 décembre 2013 Covergece e loi. Théorème de la limite cetrale. Covergece e loi 1. Soiet (X N ue

Plus en détail

CH V : Variables aléatoires - généralités

CH V : Variables aléatoires - généralités CH V : Variables aléatoires - gééralités I. Notio de variable aléatoire réelle Soit (Ω, A ) u espace probabilisable. O dit que X est ue variable aléatoire réelle défiie sur (Ω, A ) si : (i) X est ue applicatio

Plus en détail

Introduction aux théorèmes limites et aux intervalles de confiance

Introduction aux théorèmes limites et aux intervalles de confiance Chapitre 5 Itroductio aux théorèmes limites et aux itervalles de cofiace Objectifs du chapitre. Savoir approcher ue loi biomiale par ue loi de Poisso ou ue loi ormale. 2. Savoir approcher ue loi e appliquat

Plus en détail

Correction de l exercice 1

Correction de l exercice 1 IUT Orsa Iformatique S3 Correctio de l exercice. Ω est l esemble des résultats possibles de l experiece aléatoire lacer u dé à faces : Ω {,, 3,,, }, et Ω.. Si k Ω sort, le gai du jeu est k euros. Doc la

Plus en détail

Chapitre 6 Théorèmes de convergence

Chapitre 6 Théorèmes de convergence Chapitre 6 Théorèmes de covergece 1. La covergece e loi O a déjà recotré ue covergece e loi lors de l approximatio d ue loi biomiale par ue loi de Poisso. Ce problème se place das u cadre plus gééral où

Plus en détail

Expérience aléatoire - modélisation - langage des probabilités

Expérience aléatoire - modélisation - langage des probabilités T.S Probabilités coditioelles L 5 I Expériece aléatoire - modélisatio - lagage des probabilités Ue expériece aléatoire est ue expériece liée au hasard. Les mathématiques itervieet pour apporter u modèle

Plus en détail

Opérations sur les variables aléatoires Lois limites

Opérations sur les variables aléatoires Lois limites Opératios sur les variables aléatoires Lois limites A. Idépedace de deux variables aléatoires. Exemple 1. Pour améliorer le stockage d u produit u supermarché fait ue étude sur la vete de packs de 6 bouteilles

Plus en détail

Lois normales. Intervalle de fluctuation. Estimation.

Lois normales. Intervalle de fluctuation. Estimation. Lois ormales. Itervalle de fluctuatio. Estimatio.. Loi ormale cetrée réduite... p. Théorème de Moivre-Laplace... p 3. Loi ormale (µ ; σ²)... p3 Copyright meilleuremaths.com. Tous droits réserwidevec{}vés

Plus en détail

B E et Bi Bj pour i j et si A est un evenement de E alors p(a) p(a B ) p(a B )... p(a B ) p(b ) p(a /B ) p(b ) p(a /B )... p(b ) p(a /B ).

B E et Bi Bj pour i j et si A est un evenement de E alors p(a) p(a B ) p(a B )... p(a B ) p(b ) p(a /B ) p(b ) p(a /B )... p(b ) p(a /B ). Rappel : (E,p(E),p) est u espace probabilisé fii. O a: p(e), p( ), p(a) p(a), p(a B) p(a) p(b) p(a B) Probabilité coditioelle : A et B sot deux évèemets tels que p(b). p(a B) p(a / B) et doc p(a B) p(b)

Plus en détail

2 Propriétés élémentaires des probabilités

2 Propriétés élémentaires des probabilités Uiversité de Reims Champage Ardee UFR Scieces Exactes et Naturelles Aée uiversitaire 2013-2014 MA 0804 - Master 1 CM1 Espaces probabilisés 1 Déitio Pour déir u espace probabilisé, o a besoi d'u esemble

Plus en détail

Autour de la loi de Poisson

Autour de la loi de Poisson Agrégatio Itere de Mathématiques Thierry Champio séace du 25 ovembre 2016 Autour de la loi de Poisso Notatios - Itroductio Das tout ce problème, (Ω, T, P) est u espace probabilisé. Toutes les variables

Plus en détail

TD 4 : Variables aléatoires discrètes

TD 4 : Variables aléatoires discrètes MA40 : Probabilités TD 4 : Variables aléatoires discrètes Exercice Soit N u etier aturel supérieur ou égal à.. Motrer les égalités suivates : N k k N N + ) N k k N N + ) N + ). Ue ure cotiet ue boule blache

Plus en détail

Calcul des probabilités 2 (M-2.1)

Calcul des probabilités 2 (M-2.1) Calcul des probabilités (M-.) I. Probabilités sur u esemble fii. Défiitios Défiitio Ue expériece aléatoire est ue expériece dot il est impossible de prévoir l issue (mais o coaît toutes les issues possibles)

Plus en détail

INÉGALITÉS DE MARKOV ET DE CHEBISHEV LOI FAIBLE DES GRANDS NOMBRES

INÉGALITÉS DE MARKOV ET DE CHEBISHEV LOI FAIBLE DES GRANDS NOMBRES Iégalités de Markov et de Chebishev - Loi faible des grads ombres versio du 11 avril 2014 35 8 INÉGALITÉS DE MARKOV ET DE CHEBISHEV LOI FAIBLE DES GRANDS NOMBRES 1 Iégalité de Markov. 8.1 Iégalité de Markov.

Plus en détail

x + (2 α) y = 0 3 L donc P

x + (2 α) y = 0 3 L donc P 1 Corrigé ESC 009 par Pierre Veuillez Exercice 1 O cosidère les matrices A, B, D, P, E de M (R) suivates : ( ) 5 1 4 ( ) A B 3 3 1 3 0 7 D P 3 3 ( ) { x (1 α) x y 0 1) a: (A αi) 0 y x + ( α) y 0 ( 1 )

Plus en détail

PROBABILITÉS. Définition : Une variable aléatoire X est une fonction définie sur un univers Ω et à valeur dans!.

PROBABILITÉS. Définition : Une variable aléatoire X est une fonction définie sur un univers Ω et à valeur dans!. PROBABILITÉS E 654, Blaise Pascal (63 ; 66) etretiet avec Pierre de Fermat (60 ; 665) des correspodaces sur le thème des jeux de hasard et d'espérace de gai qui les mèet à exposer ue théorie ouvelle :

Plus en détail

Probabilités élémentaires

Probabilités élémentaires 1. Exemple... p2 4. Lois de probabilité... p7 2. Vocabulaire... p4 5. Variables aléatoires... p8 3. Espaces probabilisés fiis... p4 Copyright meilleuremaths.com. Tous droits réservés 1. Exemple Probabilités

Plus en détail

TD10. Loi des grands nombres, théorème central limite.

TD10. Loi des grands nombres, théorème central limite. Uiversité Pierre & Marie Curie Licece de Mathématiques L3 UE LM345 Probabilités élémetaires Aée 2014 15 TD10. Loi des grads ombres, théorème cetral limite. 1. Soit (U ) 1 ue suite de variables aléatoires

Plus en détail

Annexe : Leçon 10 - Échantillonnage

Annexe : Leçon 10 - Échantillonnage Aexe : Leço 10 - Échatilloage Clémet BOULONNE pour la sessio 01 I Niveau, prérequis, référeces Niveau BTS Prérequis Probabilités, lois discrètes et cotiues Référeces [1,,, 4, 5] II Coteu de la leço 1 Approximatio

Plus en détail

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques Variables discrètes fiies - Exercices pratiques Exercice 1 - Loi d u dé truqué - Deuxième aée - 1. X pred ses valeurs das {1,..., 6}. Par hypothèse, il existe u réel a tel que P (X k) ka. Maiteat, puisque

Plus en détail

est la fréquence empirique des succès lors des 10 premières expériences.

est la fréquence empirique des succès lors des 10 premières expériences. Pierre Veuillez Statistiques iféretielle Sources, et pour e savoir plus : http://www.math-ifo.uiv-paris5.fr/smel 1 Problématique : Exemple ue ure cotiet des boules rouges et blaches dot o e coaît pas la

Plus en détail

i la moyenne empirique de X n n v =

i la moyenne empirique de X n n v = Corrigé Statistiques iféretielle par par Pierre Veuillez Itervalle de cofiace. Exercice Détermier ue valeur approchée de la loi de la moyee empirique : E X E X, V X V X doc X N E X, V X Exercices. Variace

Plus en détail

Estimation paramétrique

Estimation paramétrique Retour au pla du cours Soit Ω, A, P u espace probabilisé et X ue v.a. de Ω, A das E, E. La doée d u modèle statistique c est la doée d ue famille de probabilités sur E, E, {P θ, θ Θ}. Le modèle état doé,

Plus en détail

Lois normales et autres lois dérivées

Lois normales et autres lois dérivées Lois ormales et autres lois dérivées - Lois ormales a) - Défiitio O dit qu'ue variable aléatoire réelle X suit la loi ormale (ou gaussiee) de paramètres et, otée N ( ; ), si elle admet pour desité la foctio

Plus en détail

LES MOINDRES CARRÉS. Table des matières. 1. Justification de la méthode des moindres carrés

LES MOINDRES CARRÉS. Table des matières. 1. Justification de la méthode des moindres carrés LES MOINDRES CARRÉS OLIVIER CASTÉRA Résumé. La méthode des moidres carrés repose sur u fodemet probabiliste sérieux. Table des matières 1. Justificatio de la méthode des moidres carrés 1 2. Caractéristiques

Plus en détail

1 Lois des grands nombres. 2 Théorème central-limite. 3 Estimation ponctuelle à partir d échantillons. 4 Biais dans les estimations

1 Lois des grands nombres. 2 Théorème central-limite. 3 Estimation ponctuelle à partir d échantillons. 4 Biais dans les estimations Pla du cours 2 RFIDEC cours 2 : Échatillos, estimatios poctuelles Christophe Gozales LIP6 Uiversité Paris 6, Frace 1 Lois des grads ombres 2 Théorème cetral-limite 3 Estimatio poctuelle à partir d échatillos

Plus en détail

Tests. Chapitre 2. 1 Principe d un test Définitions Méthode générale... 3

Tests. Chapitre 2. 1 Principe d un test Définitions Méthode générale... 3 Tests Chapitre Table des matières 1 Pricipe d u test 1 11 Défiitios 1 Méthode géérale 3 Test de coformité à u paramètre 3 1 Test de coformité à ue moyee 3 Test de coformité à ue proportio 4 3 Test d homogééité

Plus en détail

Dénombrement Site MathsTICE de Adama Traoré Lycée Technique Bamako

Dénombrement Site MathsTICE de Adama Traoré Lycée Technique Bamako Déombremet Site MathsTIE de Adama Traoré Lycée Techique Bamako A) Parties d u esemble : Soit la représetatio sagittale des esembles E, A et B E 9 8 4 6 0 3 A B ) Existe-t-il des élémets de A qui e sot

Plus en détail

D- Convergence de variables aléatoires

D- Convergence de variables aléatoires D-1 Notatios O cosidère ( ) N (évetuellemet (Y ) N ) ue suite de variables aléatoires défiies sur l espace probabilisé (Ω, A, ) et X (évetuellemet Y ) ue variable aléatoire défiie sur le même espace. O

Plus en détail

IREM Martine Quinio. 5 février 2013

IREM Martine Quinio. 5 février 2013 : 1 IREM 2013 Martie Quiio 5 février 2013 1 La loi de Gauss, ou loi ormale Itroductio : Lire court article C.Villai das Le Mode du 14-15/12 : il compare le traitemet médiatique boso de Higgs et rats OGM

Plus en détail

Annexe I. Théorie des tests : Rappel très simplifié sur un exemple.

Annexe I. Théorie des tests : Rappel très simplifié sur un exemple. Théorie des tests : Rappel très simplifié sur u exemple. Aexe I Test de l efficacité d u remède sur des malades atteit d u rhume. p 0 : probabilité de guérir das les huit jours avec u placebo p 1 : probabilité

Plus en détail

Exercices sur le chapitre «Variables aléatoires»

Exercices sur le chapitre «Variables aléatoires» Araud de Sait Julie - MPSI Lycée La Merci 2015-2016 1 Pour démarrer Exercices sur le chapitre «Variables aléatoires» Exercice 1 (Recostitutio de paires) O fixe deux etiers aturels 1 r. U placard cotiet

Plus en détail

Chapitre 9 La loi binomiale

Chapitre 9 La loi binomiale A) Variables aléatoires 1) Défiitio Chapitre 9 La loi biomiale O appelle variable aléatoire X ue foctio qui associe à tout résultat (évéemet élémetaire) u ombre réel. Pour ue même expériece aléatoire,

Plus en détail

EPREUVE SPECIFIQUE - FILIERE PC MATHEMATIQUES. Mardi 3 mai : 14 h - 18 h. Les calculatrices sont interdites

EPREUVE SPECIFIQUE - FILIERE PC MATHEMATIQUES. Mardi 3 mai : 14 h - 18 h. Les calculatrices sont interdites SESSION 216 PCMA2 EPREUVE SPECIFIQUE - FILIERE PC MATHEMATIQUES Mardi 3 mai : 14 h - 18 h N.B. : le cadidat attachera la plus grade importace à la clarté, à la précisio et à la cocisio de la rédactio.

Plus en détail

ESTIMATION Exercices

ESTIMATION Exercices ESTIMATION Exercices EERCICE : Les variables aléatoires cosidérées das cet exercice sot défiies sur u espace probabilisable, AP, Soit a u réel strictemet positif et ue variable aléatoire de loi uiforme

Plus en détail

SUITES et SERIES DE FONCTIONS

SUITES et SERIES DE FONCTIONS UE7 - MA5 : Aalyse SUITES et SERIES DE FONCTIONS I Suites de foctios à valeurs das È ou  Etat doé u esemble E, ue suite de foctios umériques défiies sur E est la doée, pour tout etier, d'ue applicatio

Plus en détail

IUT HSE Introduction aux probabilités et statistiques Applications Variables aux statistiques aléatoires 4 / 1

IUT HSE Introduction aux probabilités et statistiques Applications Variables aux statistiques aléatoires 4 / 1 IUT HSE Itroductio aux probabilités et statistiques Variables aléatoires Philippe Jamig Istitut Mathématique de Bordeaux PhilippeJamig@gmailcom http://wwwmathu-bordeaux1fr/ pjamig/ X variable aléatoire

Plus en détail

Correction Exercices Chapitre 08 - Couples de variables aléatoires réelles discrètes

Correction Exercices Chapitre 08 - Couples de variables aléatoires réelles discrètes 08. O dispose de boîtes umérotées de à. La boîte k cotiet k boules umérotées de à k. O choisit au hasard ue boîte, puis ue boule das cette boîte. Soit X le uméro de la boîte et Y le uméro de la boule..

Plus en détail

Épreuve écrite d analyse et probabilités

Épreuve écrite d analyse et probabilités Épreuve écrite d aalyse et probabilités Notatios et défiitios Le problème traite de certaies propriétés cocerat les racies de polyômes dot les coefficiets sot aléatoires. Das tout le problème, l espace

Plus en détail

LA LOI DES GRANDS NOMBRES ET LE THÉORÈME DE LA LIMITE CENTRALE

LA LOI DES GRANDS NOMBRES ET LE THÉORÈME DE LA LIMITE CENTRALE LA LOI DES GRANDS NOMBRES ET LE THÉORÈME DE LA LIMITE CENTRALE MATTHIEU KOWALSKI 1. INTRODUCTION La démarche statistique cosiste à observer ue expériece aléatoire das le but de mieux coaître ses caractéristiques.

Plus en détail

Covariance et ajustement affine par la méthode des moindres carrés

Covariance et ajustement affine par la méthode des moindres carrés Uiversité de Poitiers - 205-206 A. Moreau Algèbre - Géométrie M MEEF Covariace et ajustemet affie par la méthode des moidres carrés Das tout le documet, la lettre désige u etier aturel o ul. Les deux parties

Plus en détail

1 lois usuelles. 2 Estimation. 1.1 Loi Binomiale. 1.2 Loi de Poisson. 1.3 Loi normale. 2.1 Estimation ponctuelle de la moyenne

1 lois usuelles. 2 Estimation. 1.1 Loi Binomiale. 1.2 Loi de Poisson. 1.3 Loi normale. 2.1 Estimation ponctuelle de la moyenne 1 lois usuelles 11 Loi Biomiale B(, p) q = 1 p p(x = k) = C k p k q k Espérace E(X) = p Variace : V ar(x) = pq Écart type : σ = pq 12 Loi de Poisso P(λ) : loi de Poisso de paramètre λ > 0 : X(Ω) = N λ

Plus en détail

Exercices d oraux de la banque CCP Corrigés BANQUE PROBABILITÉS

Exercices d oraux de la banque CCP Corrigés BANQUE PROBABILITÉS Exercices d oraux de la baque CCP 204-20 - Corrigés BANQUE PROBABILITÉS EXERCICE 96 (a La variable aléatoire X est régie par ue loi biomiale E effet, expérieces idetiques et idépedates (car les tirages

Plus en détail

Estimation de paramètres

Estimation de paramètres CHAPITRE 8 Estimatio de paramètres 1. Distributio des moyees des échatillos Das ce chapitre, ous étudieros commet est distribué la moyee de tous les échatillos de taille possibles d ue certaie populatio.

Plus en détail

X 1 = { X si X est impair 0 sinon

X 1 = { X si X est impair 0 sinon Corrigé ECRICOME 998 par Pierre Veuillez Das tout le problème, X désige ue variable aléatoire défiie sur u espace probabilisé (Ω, A, P et à valeurs das N et E(X l espérace de X si elle eiste. O ote A l

Plus en détail

3.1 Loi de Bernouilli Loi Binomiale Loi géométrique Loi de Pascal (loi négative binomiale)...3

3.1 Loi de Bernouilli Loi Binomiale Loi géométrique Loi de Pascal (loi négative binomiale)...3 3- Lois de distributio discrètes -1 Chapitre 3 : Lois de distributio discrètes 3.1 Loi de Berouilli...1 3. Loi Biomiale...1 3.3 Loi géométrique... 3.4 Loi de Pascal (loi égative biomiale)...3 3.5 Loi hypergéométrique...4

Plus en détail

Filière Sciences de Matières Physiques (SMP4) Module Mathématiques : Analyse (S4) Cours d Analyse

Filière Sciences de Matières Physiques (SMP4) Module Mathématiques : Analyse (S4) Cours d Analyse UNIVERSITÉ MOHAMMED V - AGDAL Faculté des Scieces Départemet de Mathématiques Filière Scieces de Matières Physiques (SMP4) Module Mathématiques : Aalyse (S4) Cours d Aalyse Séries umériques Suites et Série

Plus en détail

Echantillon : Collection d'individus prélevés dans la population statistique.

Echantillon : Collection d'individus prélevés dans la population statistique. SONDAGE (ECHANTILLONNAGE) POPULATION STATISTIQUE N idividus possédat ue modalité yi de la (ou des) variable(s) y ( i N) PARAMETRES valeur cetrale dispersio corrélatio µ σ² ρ moyee variace coef. corr. ECHANTILLON

Plus en détail

Espaces probabilisés.

Espaces probabilisés. Espaces probabilisés Chapitre 6 : otes de cours Esembles déombrables Esemble fii, (hors programme) esemble ifii Esemble déombrable Eumératio des élémets d u esemble fii ou déombrable Produit cartésie d

Plus en détail

Introduction à la théorie des probabilités et aux statistiques

Introduction à la théorie des probabilités et aux statistiques Itroductio à la théorie des probabilités et aux statistiques Magistère de mécatroique re aée ENS Rees Uiversité Rees Aée 06-07 Pour toutes remarques et correctios : floria.lemoier@es-rees.fr Probabilités

Plus en détail

Corrigé : EM Lyon 2005

Corrigé : EM Lyon 2005 Corrigé : EM Lyo 5 Optio écoomique Eercice :. Par défiitio de E, la famille (I,J,K) est ue famille géératrice de E. Cette famille est-elle libre? O cherche tous les réels a, b et c tels que : ai +bj +ck

Plus en détail

Suites de variables aléatoires.

Suites de variables aléatoires. Uiversité Pierre et Marie Curie 200-20 Probabilités et statistiques - LM345 Feuille 8 Suites de variables aléatoires.. Soit Ω, F, P u espace de probabilités. Détermier pour chacue des covergeces suivates

Plus en détail

CHAPITRE 2 : Estimation non-paramétrique 1. Estimateurs empiriques

CHAPITRE 2 : Estimation non-paramétrique 1. Estimateurs empiriques CHAPITRE 2 : Estimatio o-paramétrique 1. Estimateurs empiriques Soit u échatillo i.i.d. de durées T i i1,..., de foctio de survie S Défiitio: L estimateur empirique de la foctio de survie est S x 1 i1

Plus en détail

Utilisation en modélisation. Régression linéaire

Utilisation en modélisation. Régression linéaire Utilisatio e modélisatio Régressio liéaire La régressio est l ue des otios basiques de la statistique et de l aalyse des doées. Gééralemet, le problème cosiste à décrire la dépedace etre deux variables

Plus en détail

b) Calculer la dérivée de la fonction. La fonction est dérivable sur comme quotient de deux fonctions dérivables sur.

b) Calculer la dérivée de la fonction. La fonction est dérivable sur comme quotient de deux fonctions dérivables sur. DST 6 Correctio Exercice 1 (5 poits) (Asie, jui 11) Le pla est rapporté à u repère orthoormal. 1) Étude d ue foctio. O cosidère la défiie sur l itervalle par. O ote la foctio dérivée de la foctio sur l

Plus en détail

EXERCICES SIMULATION LOIS DISCRETES

EXERCICES SIMULATION LOIS DISCRETES EXERCICES SIMULATION LOIS DISCRETES EXERCICE 1 : 1) Ecrire u programme qui revoie le lacer d u lacer de dé équilibré 2) Trasformer le programme précédet pour qu il simule ue série de 100 lacers d u dé

Plus en détail

Séance 2 : Estimateurs convergents, non biaisés et exhaustifs.

Séance 2 : Estimateurs convergents, non biaisés et exhaustifs. Exercice Séace 2 : Estimateurs covergets, o biaisés et exhaustifs. Soiet les variables aléatoires X i i =,..., i.i.d. Motrez que S 2 = X i X 2 est u estimateur o biaisé de σ 2, où σ 2 = V ar[x ]. O utilise

Plus en détail

Partie A : z x. z =( z ) = 4 = - 4 donc z est aussi solution de (E) Partie C :

Partie A : z x. z =( z ) = 4 = - 4 donc z est aussi solution de (E) Partie C : Corrigé baccalauréat S Polyésie 200 (raiateabac.blogspot.com) EXERCICE (5 poits) Pré-requis : z a + bi et _ z a bi Partie A : a ) E posat z a + bi et z a + b i o obtiet : z x z (a + bi) ( a + b i) aa bb

Plus en détail

Convergence de suites réelles

Convergence de suites réelles DOMAINE : No olympique AUTEUR : Nicolas SÉGARRA NIVEAU : Itermédiaire STAGE : Motpellier 2014 CONTENU : Cours et exercices Covergece de suites réelles I) Rappels et otios de base. Défiitio 1. Ue suite

Plus en détail

Z = 1 4i. z = On multiplie par le conjugué du dénominateur S = 5. = b + i. z 2 = z 1. 2 = 3 i 2. = 6 + 2i 4. { 3 + i. 2 ; 3 i }

Z = 1 4i. z = On multiplie par le conjugué du dénominateur S = 5. = b + i. z 2 = z 1. 2 = 3 i 2. = 6 + 2i 4. { 3 + i. 2 ; 3 i } Nom :........................ DS Préom :..................... Devoir o 7 Mars 6.../... Le soi et la rédactio serot pris e compte das la otatio. Faites des phrases claires et précises. Le barème est approximatif.

Plus en détail

RAPPELS de PROBABILITÉ

RAPPELS de PROBABILITÉ RAPPELS de PROBABILITÉ Préparatio à l Agrégatio Bordeaux 1 Aée 2013-2014 Jea-Jacques Ruch et Marie-Lie Chabaol Table des Matières Chapitre I. Itroductio à la théorie des probabilités 5 1. Espaces probabilisés

Plus en détail

C.1- Lois discrètes- Loi uniforme

C.1- Lois discrètes- Loi uniforme C- Lois usuelles C.1- Lois discrètes- Loi uiforme Loi d ue variable aléatoire X preat ses valeurs das {1,,} avec la même probabilité: 1 P ( X = x ) = x {1,,... } Ex : E=«lacer d u dé régulier» X=uméro

Plus en détail

TD Modélisation Statistique

TD Modélisation Statistique Licece 3 Mathématiques TD Modélisatio Statistique Ex 1. Soit X ue variable aléatoire réelle de desité f cotiue et de foctio répartitio F. 1. Calculer la foctio de répartitio de Y = αx + β pour α, β R,

Plus en détail

MAP 311: Aléatoire PC 8 Marc Lelarge 20 juin 2016

MAP 311: Aléatoire PC 8 Marc Lelarge 20 juin 2016 MAP 3: Aléatoire PC 8 Marc Lelarge 0 jui 06 Exercice Soit (X ) ue suite de v.a. idépedates et de même loi. itégrable, de moyee m et de variace σ > 0. O défiit: O suppose que X est de carré ˆm = X + + X,

Plus en détail

CONCOURS BLANC 1 SCI 2

CONCOURS BLANC 1 SCI 2 CONCOURS BLANC SCI Durée : 4 heures Aucu istrumet de calcul est autorisé Aucu documet est autorisé Les étudiats sot ivités à soiger la présetatio de leur copie EXERCICE : CCP 05 CCP : cocours commus polytechiques

Plus en détail

Échantillonnage. I Rappels sur les lois usuelles 2

Échantillonnage. I Rappels sur les lois usuelles 2 BTS DOMOTIQUE Échatilloage 2008-2010 Échatilloage Table des matières I Rappels sur les lois usuelles 2 II Approximatios de la loi biomiale 2 II.1 Approximatio par la loi de poisso................................

Plus en détail

x k, 2 : x k 1 n x x 1

x k, 2 : x k 1 n x x 1 SMIA/S3 ANALYSE 3 AALAMI IDRISSI et EZEROUALI Chapitre 5 FONCTIONS DE IR DANS IR p I) NOTIONS DE TOPOLOGIE SUR IR 1) Normes sur IR : a) Défiitio: O appelle orme sur toute applicatio x x de das telle que

Plus en détail

Variables aléatoires finies Présentation

Variables aléatoires finies Présentation Variables aléatoires fiies Présetatio. Défiitio élémetaire (tombola).... Le prix de vete d'u billet de la tombola... 3 3. Espérace mathématique d ue variable aléatoire fiie... 4 4. Variace et écart type

Plus en détail

Loi faible des grands nombres Loi forte des grands nombres Loi des grands nombres de Kolmogorov. Probabilités. Loi des grands nombres.

Loi faible des grands nombres Loi forte des grands nombres Loi des grands nombres de Kolmogorov. Probabilités. Loi des grands nombres. Itérêt Loi faible des grads ombres Loi forte des grads ombres Loi des grads ombres de Kolmogorov Loi des grads ombres Julia Tugaut Télécom Sait-Étiee Julia Tugaut Sommaire 1 Itérêt Approche fréquetiste

Plus en détail

EXERCICES SUR LES SUITES NUMERIQUES

EXERCICES SUR LES SUITES NUMERIQUES EXERCICES SUR LES SUITES NUMERIQUES 1 Etudier la mootoie des suites a ) 0 défiies par : a) a = b) a = + 1) + ) + ) c) a =! d) a = α + 1) α réel positif) Soit a, la suite de terme gééral a = 3 + 1 3 + Trouver

Plus en détail

Probabilités. Chapitre 2. Objectifs du chapitre. 2.1 Probabilité, modèle probabiliste Modèle probabiliste : idée intuitive

Probabilités. Chapitre 2. Objectifs du chapitre. 2.1 Probabilité, modèle probabiliste Modèle probabiliste : idée intuitive Chapitre 2 Probabilités Objectifs du chapitre 1 Itroduire la otio de modèle probabiliste 2 Faire le parallèle etre le lagage esembliste et le lagage probabiliste 3 Propriétés élémetaires des probabilités

Plus en détail

Vendredi 20 octobre CONTRÔLE DE MATHEMATIQUES N 2 Classe de TERM 07. En salle 206, deux heures de 8 h à 10 h : LES SUITES et PROBABILITES.

Vendredi 20 octobre CONTRÔLE DE MATHEMATIQUES N 2 Classe de TERM 07. En salle 206, deux heures de 8 h à 10 h : LES SUITES et PROBABILITES. Vedredi 0 octobre 07. CONTRÔLE DE MATHEMATIQUES N Classe de TERM 07. E salle 06, deux heures de 8 h à 0 h : LES SUITES et PROBABILITES. La première feuille de ce devoir doit être ue feuille double. Lisez

Plus en détail

Maths 5. DUT Génie Industriel et Maintenance 2 ème année. Anne Pallarès

Maths 5. DUT Génie Industriel et Maintenance 2 ème année. Anne Pallarès Maths 5 DUT Géie Idustriel et Maiteace ème aée Ae Pallarès ae.pallares@uha.fr SUITES ET SERIES SUITES .Défiitio O appelle suite u esemble de ombres u, u,... défiis das l ordre croissat et vérifiat certaies

Plus en détail

SÉRIES DE FONCTIONS SUITES ET PC*2. 13 octobre octobre octobre 2004

SÉRIES DE FONCTIONS SUITES ET PC*2. 13 octobre octobre octobre 2004 3 octobre 2004 Exemple 2. O se doe a I et q C(I, K). L équatio différetielle liéaire : y (x) q(x) y(x) = 0 avec les coditios y(a) = α, y (a) = β SUITES ET SÉRIES DE FONCTIONS PC*2 3 octobre 2004 Admet

Plus en détail

LOIS NORMALES. I. Introduction. Voici quelques exemples de courbes provenant de la vie quotidienne :

LOIS NORMALES. I. Introduction. Voici quelques exemples de courbes provenant de la vie quotidienne : I. Itroductio. LOIS NORMALES. Voici quelques exemples de courbes proveat de la vie quotidiee : La répartitio du QI das la populatio Le poids d ue populatio de chatos Répartitio des coscrits e 1907 Age

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable. k n) X k (1 X) n k.

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable. k n) X k (1 X) n k. Exo7 Suites et séries de foctios Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable

Plus en détail

Statistique 1 L2S

Statistique 1 L2S Statistique 1 L2S1 2011-2012 1 Chapitre I Rappel du calcul des probabilités I- Défiitio d ue probabilité Ω est u esemble d élémets ou d évéemet appelé uivers (ou référetiel). A est u sous esemble de Ω,

Plus en détail

Éléments de probabilité.

Éléments de probabilité. Élémets de probabilité.. Gééralités Les probabilités s'occupet de phéomèes aléatoires, c'est à dire qui sot liés au hasard. Défiitio : O appelle expériece aléatoire, ue expériece dot les résultats, o tous

Plus en détail

Équirépartition presque sûre pour f (x) = 2x modulo 1 Jean-Baptiste Bardet 26 mai 2005

Équirépartition presque sûre pour f (x) = 2x modulo 1 Jean-Baptiste Bardet 26 mai 2005 Équirépartitio presque sûre pour f (x) = x modulo 1 Jea-Baptiste Bardet 6 mai 005 O étudie le comportemet des suites défiies par récurrece x = f (x 1 ) = f (x), où x 0 = x [0;1) et f (x) = x mod 1, et

Plus en détail

Texte Filtre de Kalman-Bucy

Texte Filtre de Kalman-Bucy Page 1. Texte Filtre de Kalma-Bucy 1 e modèle U avio se déplace etre Paris et odres. Il suit ue trajectoire théorique appelée trajectoire omiale dot les coordoées sot coues de tous. a trajectoire de l

Plus en détail

MATHEMATIQUES Option scientifique Vendredi 13 mai 2005 de 8h à 12h

MATHEMATIQUES Option scientifique Vendredi 13 mai 2005 de 8h à 12h ECOLE DE HAUTES ETUDES COMMERCIALES DU NORD Cocours d'admissio sur classes préparatoires MATHEMATIQUES Optio scietifique Vedredi 3 mai 5 de 8h à h La présetatio, la lisibilité, l'orthographe, la qualité

Plus en détail

1 Un peu de vocabulaire

1 Un peu de vocabulaire Statistiques - Échatilloage Cours Objectifs du chapitre Passer d u mode de représetatio des doées à u autre (doées brutes, tableau d effectifs, représetatio graphique) Calculer la moyee, la médiae, les

Plus en détail

ANOVA avec un facteur aléatoire

ANOVA avec un facteur aléatoire Chapitre 7 ANOVA avec u facteur aléatoire Jusqu à maiteat, o a supposé que les modalités du facteur étudié ot été choisies parce qu elles étaiet itrisèquemet itéressates. Le modèle à effets fixes porte

Plus en détail

EPREUVE SPECIFIQUE FILIERE MP MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont autorisées. * * *

EPREUVE SPECIFIQUE FILIERE MP MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont autorisées. * * * SESSION 006 EPREUVE SPECIIQUE ILIERE MP MATHEMATIQUES Durée : 4 heures Les calculatrices sot autorisées * * * NB : Le cadidat attachera la plus grade importace à la clarté, à la précisio et à la cocisio

Plus en détail

Semaine septembre

Semaine septembre B - 205-206 Programmes de Khôlles Semaie 2-28 septembre Logique et esembles Quatificateurs, absurde, cotraposée Esembles, sous-esembles, P(E), relatios esemblistes. Nombres Récurrece : simple, double,

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I CHAMBRE DE COMMERCE ET D INDUSTRIE DE PARIS DIRECTION DE L ENSEIGNEMENT Directio des Admissios et cocours ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON CONCOURS

Plus en détail

DT - CONSTRUCTION DE L EXPONENTIELLE ET DU LOGARITHME NEPERIEN

DT - CONSTRUCTION DE L EXPONENTIELLE ET DU LOGARITHME NEPERIEN DT - CONSTRUCTION DE L EXPONENTIELLE ET DU LOGARITHME NEPERIEN Das ce qui suit, o utilisera des argumets élémetaires et o e suppose aucue coaissace des foctios exp et l Ce qui suit sert à les défiir comme

Plus en détail

LES STATISTIQUES DESCRIPTIVES

LES STATISTIQUES DESCRIPTIVES Chapitre 1 LES STATISTIQUES DESCRIPTIVES A. Statistiques a ue variable 1. Vocabulaire de la statistique U esemble d objets ou de persoes d ue étude statistique est appelé populatio. U élémet de cette populatio

Plus en détail

[M. Gubinelli - Processus discrets - M1 MMD 2009/ v.6] IV Martingales

[M. Gubinelli - Processus discrets - M1 MMD 2009/ v.6] IV Martingales Filtratios et martigales 1 [M. Gubielli - Processus discrets - M1 MMD 2009/2010-20100113 - v.6] IV Martigales 1 Filtratios et martigales O cosidère u espace probabilisé (Ω, F, P). Défiitio 1. Ue filtratio

Plus en détail