Probabilités. Chapitre 2. Objectifs du chapitre. 2.1 Probabilité, modèle probabiliste Modèle probabiliste : idée intuitive
|
|
- Eric Truchon
- il y a 6 ans
- Total affichages :
Transcription
1 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 Formule de Poicaré 4 Probabilité coditioelle, formule des probabiliés totales, formule de Bayes 5 Idépedace de deux évéemets 6 Lemmes de Borel-Catelli 21 Probabilité, modèle probabiliste 211 Modèle probabiliste : idée ituitive Das de ombreuses situatios de la vie courate o e peut prédire avec certitude le résultat d ue expériece à cause de fluctuatios aléatoires que l o e maîtrise pas Pesos par exemple aux jets de dés, au tirage du Loto, aux tirages de boules das des ures Afi de palier à cela o associe à la situatio u modèle probabiliste L étude du modèle permet alors de faire des prédictios que l o cofrote par exemple à des simulatios umériques ou ecore à des expérieces Ituitivemet, u modèle probabiliste se compose de l esemble des évetualités ou résultats possibles de l expériece aléatoire cosidérée Cet esemble usuellemet oté Ω est souvet appelé uivers Par exemple pour l expériece aléatoire o lace ue pièce deux fois, le résultat d ue expériece sera (P, P), ou (P,F) ou (F,P) ou (F,F) L uivers cosidéré est doc Ω = {(P,P),(P,F),(F,P),(F,F)} u esemble A de parties de Ω que l o appellera esemble des évéemets U évéemet est u fait attaché à l expériece aléatoire et susceptible ou o de se produire Das le cas précédet o peut par exemple cosidérer l évéemet A : lacé 1 différet de lacé 2, qui correspod à la partie A = {(P,F),(F,P)} de Ω Si ω est ue évetualité o dit que l évéemet A est réalisé à travers l évetualité ω si et seulemet si ω appatiet à A 1
2 Si o obtiet (P,P) l évéemet A e s est pas réalisé Si o o obtiet (P,F) l évéemet A s est réalisé Pour que le modèle soit cohéret avec l ituitio, l esemble des évéemets A cotiet Ω ( quelque chose va se produire qui sera de probabilité 1) et l esemble vide ( rie e va se produire qui sera de probabilité 0) et il doit être stable par les opératios esemblistes usuelles : réuio (déombrable), itersectio (déombrable) et passage au complémetaire ue foctio de probabilité P qui associe à chaque évéemet u ombre réel compris etre 0 et 1 afi de quatifier la chace qu u tel évéemet se produise Pour costruire cette foctio o fait l hypothèse fodametale : L expériece peut être répétée u grad ombre de fois et les répétitios sot idépedates les ues des autres Ituitivemet, o peut alors associer ue probabilité à u évéemet A de la maière suivate b(a, ) P(A) = lim où b(a,) est le ombre de fois où l évéemet A se produit au cours de tetatives La loi des grads ombres permettra de doer ue justificatio et u ses précis à cette limite Cette foctio P a aturellemet les deux propriétés fodametales suivates : 1 P(Ω) = 1 car pour tout, b(ω, ) = 2 Si o cosidère deux évéemets icompatibles A et B, c est à dire A B = /0, alors P(A B) = P(A) + P(B) E effet, P(A B) = lim b(a B,) = lim b(a,) + b(b,) (par icompatibilité) = lim b(a,) = P(A) + P(B) + lim b(b,) De ombreuses coséqueces découlet immédiatemet de cette formule : (a) P(/0) = 0, (b) P(A) + P(Ω \ A) = 1, (c) P(A B) = P(A) + P(B) P(A B), (d) P(A) P(B) si A B (e) Si l esemble Ω est fii alors la probabilité P est coue dès que l o coaît les probabilités des évéemets élémetaires {ω} pour tout ω Ω E effet grâce à la formule précédete o peut poser P(A) = P({ω}) ω A 2
3 212 Défiitio Défiitio 211 (Modèle probabiliste, Kolmogorov 1 (1933)) U modèle probabiliste ou espace probablisé est la doée d u triplet (Ω,A,P) où 1 Ω est u esemble 2 A est u esemble de parties de Ω vérifiat les propriétés suivates : (a) Ω A (b) A A,Ω \ A A (c) La réuio de toute famille fiie ou déombrable d élémets de A appartiet à A Les élémets de A sot appelés évéemets Le couple (Ω,A) est appelé espace probabilisable (d) Soit ω ue évetualité U évéemet A est alors dit réalisé si ω appartiet à A et e l est pas si ω appartiet pas à A 3 P est ue foctio P : A [0, 1] vérifiat (a) P(Ω) = 1 (b) A,B A, A B = /0 P(A B) = P(A) + P(B) (c) Lorsque Ω est ifii, pour toute famille déombrable (A i ) i I d évéemets disjoits deux à deux, o a P ( i I ) A i = P(A i ) [0,1] i I Usuellemet, Ω est appellé uivers ou esemble des évetualités ou esemble des résultats A est l esemble des évéemets O dit que A est ue tribu P est appellé mesure de probabilité O a alors ue correspodace etre le lagage ordiaire et le lagage esembliste : u résultat possible = ue évetualité ω Ω u évéemet A A Ω l évéemet A est réalisé via ω ω A l évéemet A est pas réalisé via ω ω / A c est à dire ω Ω \ A les évéemets A et B sot réalisés via ω ω A B l évéemet A ou l évéemet B est réalisé ω A B les évéemets A et B sot icompatibles A B = /0 la réalisatio de A etraîe celle de B A B l u au mois des évéemets A i est réalisé ω i A i aucu des évéemets A i est réalisé ω Ω \ i A i = i (Ω \ A i ) tous les évéemets A i sot réalisés via ω ω i A i A est u évéemet quasi-impossible P(A)=0 Ω est toujours réalisé P(Ω) = 1 /0 est jamais réalisé P(/0) = 0 Remarque 212 Soit A u évéemet, si P(A) = 1 cela implique pas que A = Ω mais seulemet que P(Ω \ A) = 0 1 Kolmogorov, mathématicie russe, ( ) 3
4 Il y a trois situatios à cosidérer : Ω est fii, Ω est ifii mais déombrable et Ω est ifii o déombrable 213 Modèle probabiliste : Ω est fii Das ce cas là, o cosidère (e règle géérale) toute partie de Ω comme évéemet autremet dit A = P (Ω) O vérifie immédiatemet que l esemble des parties de Ω est ue tribu et o défiit la probabilité P par P : A [0, 1] A P(A) = ω A p(ω) où p est ue foctio de Ω das [0,1] vérifiat ω Ω p(ω) = 1 O vérifie immédiatemet que la foctio P vérifie les axiomes d ue probabilité Si l o est das ue situatio où toutes les évetualités semblet avoir la même probabilité, par exemple lorsque l o jette u dé o pipé, ou lorsque l o lace ue pièce bie équilibrée, o choisit alors la foctio p costate et écessairemet égale à 1 Card Ω E ce cas P(A) = Card A Card Ω que l o résume usuellemet par l expressio ombre de cas favorables divisé par le ombre de cas possibles Exemple 213 (Problème des aiversaires) Soit idividus pris au hasard, e supposat que l aée a 365 jours, quelle est la probabilité que l o e trouve au mois deux ayat leur aiversaire le même jour? O suppose que l aée a 365 jours O pred comme évetualité toutes les dates de aissace possibles des idividus Par coséquet Ω = {(a 1,,a ) i {1,,}, a i {1,,365}} Comme décrit ci-dessus o cosidère A = P (Ω) Il est aturel de cosidérer que toutes les évetualités sot équiprobables, o cosidère doc la probabilité du modèle où p est la foctio de Ω das [0,1] défiie par P : A [0, 1] A P(A) = ω A p(ω) p(ω) = 1 Card Ω = Le problème posé cosiste doc à mesurer la probabilité de l évéemet Il est plus aisé de cosidérer l évéemet cotraire A = {(a 1,,a ) Ω i, j {1,,},i j et a i = a j } Ω \ A = {(a 1,,a ) Ω i, j {1,,},i j a i a j } ous avos doc O coclut doc que Card (Ω \ A) = ( ) P(A) = 1 P(Ω \ A) = ( ) 365! 365 = 1 (365 )!365 Par exemple sur ue classe de 30 élèves la probabilité que deux élèves soiet és le même jour est de 07 Si o l o cosidère u effectif de 60 persoes la probabilité est de 099! 4
5 214 Modèle probabiliste : Ω est ifii mais déombrable Là ecore o pred e gééral A = P (Ω) et o l o souhaite défiir la probabilité P par P : A [0, 1] A P(A) = ω A p(ω) où p est ue foctio de Ω das [0,1] vérifiat ω Ω p(ω) = 1 O vérifie immédiatemet que la foctio P vérifie les axiomes d ue probabilité Attetio, les sommatios ci-dessus sot ifiies! E particulier o e peut plus predre la foctio p costate pour redre compte de l équiprobabilité, sio la série ci-dessus est divergete! De plus la questio de savoir commet l o somme se pose Pour cela o procède comme suit L uivers Ω est déombrable, il existe doc ue bijectio de sur Ω, ω O peut doc défiir P(A) = =0 p(ω ) Cette série est à termes positifs Elle est doc commutativemet covergete Le résultat e déped doc pas de l idexatio des élémets de Ω Et l o peut oter abusivemet P(A) = ω A p(ω) Exemple 214 Quelle est la probabilité qu e laçat u dé jusqu à l apparitio d u 6 o obtiee jamais de 1? ( ) O cosidère le modèle suivat Les évetualités sot des suites fiies de la forme (a 1,,a ) avec a = 6 et pour tout i compris etre 1 et 1, a i est différet de 6, c est doc u ombre compris etre 1 et 5 L esemble Ω est l esemble de telles suites Cet esemble est ifii mais déombrable, par exemple comme réuio déombrable d esembles déombrables O cosidère toute partie de Ω comme évéemet, autremet dit A = P (Ω) O défiit la probabilité P comme suit : P : A [0, 1] A P(A) = ω A p(ω) où p est ue foctio de Ω das [0,1] défiie par P(a 1,,a ) = 1 6 Il est aturel de predre ue telle défiitio car la situatio est équiprobable éamois, il faut vérifier la coditio ω Ω p(ω) = 1 E effet, pour fixé, il y a 5 1 élémets (a 1,,a 1,6) Par coséquet : ω Ω p(ω) = + = = Pour justifier totalemet l égalité qui précède otos que la famille p(ω) est ue famille déombrable à termes positifs Das ce cas si pour u certai ordre des termes la série iduite est covergete, alors quelque soit l ordre des termes choisi la série iduite restera covergete avec la même limite et de plus o peut effectuer des sommatios par paquets O dit que la famille est sommable et commutativemet covergete Aisi la covergece de la série + = etraîe l égalité Le problème que l o cosidère correspod à la mesure de l évéemet = 1 A = {(a 1,,a ),a = 6, et i {1,, 1}, a i {2,3,4,5}} La probabilité de A est doc P(A) = ω Ω p(ω) = =1 6 = = 1 2 5
6 215 Modèle probabiliste : Ω est ifii mais o déombrable Les mesures discrètes O cosidère A = P (Ω) et des probabilités dites discrètes défiies de la maière suivate O cosidère ue famille déombrable d évetualités (ω ) et ue famille de poids (p(ω )) à valeurs das [0,1] et vérifiat p(ω ) = 1 Pour u évéemet A o pose alors P(A) = p(ω )1 A (ω ) où 1 A est la foctio idicatrice de A Exemple 215 (Loi de Poisso) O peut cosidérer par exemple Ω = R, A = P (R), fixer u réel λ strictemet positif et cosidérer la probabilité P : A [0, 1] A P(A) = =0 e λ λ! 1 A () car ous avos =0 e λ λ! = 1 Cette mesure de probabilité est appelée loi de Poisso O dit qu elle est supportée par La tribu des borélies et la mesure de Lebesgue Le fait d avoir ue tribu qui admette ue mesure impose des restrictios Aisi, les mesures précédetes sot d u type très particulier Pour avoir plus de richesse il est écessaire de raffier l esemble des évéemets ous expliquos das cette sous partie l exemple fodametal (R,B R,µ) où B R est la tribu des Borélies et µ est la mesure de Lebesgue ous e doeros ici que les idées directrices de la costructio qu il est écessaire d avoir e tête Pour costruire la tribu des borélies o cosidère I l esemble des parties de R qui sot uio fiie d itervalles de R Cet esemble I cotiet l esemble vide, R, et il est stable par itersectios fiies, réuios fiies et passage au complémetaire O dit qu il forme ue algèbre de Boole La tribu des borélies est par défiitio l itersectio de toutes les tribus de R qui cotieet l algèbre I O dit que la tribu des borélies est egedrée par l algèbre I Les étapes de la costructio de la mesure de Lebesgue sot les suivates : 1 La mesure d u itervalle est tout simplemet sa logueur sas se soucier des extrémités : { b a si a et b sot fiis µ([a,b]) = µ([a,b[) = µ(]a,b]) = µ(]a,b[) = sio Pour ue réuio fiie d itervalles (I k ) k {1,,} disjoits deux à deux o pose ( ) µ I k = µ(i k ) k=1 k=1 2 O éted alors la mesure à la tribu des Borélies : pour tout borélie B la mesure de B est { µ(b) = if µ(a ), A I et B A } O motre que µ est bie ue mesure et de plus que ce prologemet est uique c est le théorème d extesio de Carathéodory Remarque 216 Bie etedu le triplet (R,B R,µ) est pas u espace probabilisé car par défiitio µ(r) = Exemple 217 (Loi uiforme sur [a,b]) Pour tout itervalle [a,b], avec b > a l esemble B [a,b] = {B [a,b] B B R } 6
7 est ue tribu et ([a,b],b [a,b],p) est u espace probabilisé avec pour tout borélie B, P(B) = Cette mesure de probabilité est appelée loi uiforme sur [a,b] µ(b) µ([a,b]) = µ(b) b a Remarque 218 La costructio précèdete se gééralise à R e remplaçat les itervalles par des pavés i=1 [a i,b i ] et e posat ) { µ( [a i,b i ] = i=1 (b i a i ) si toutes les extrémités sot fiies sio i=1 O éted alors la mesure à la tribu des Borélies : pour tout borélie B la mesure de B est { µ(b) = if µ(a ), A I et B A } (21) où les A sot des pavés O obtiet alors u triplet (R,B R,µ R ) où B R est la tribu des borélies sur R et µ R est la mesure de Lebesgue sur µ R Exemple 219 Reveos à la mesure d u borélie das le pla Par exemple pesez à u disque dessié sur ue feuille Vous cosidérez u premier quadrillage Votre disque est coteu das u ombre fii de rectagles et l aire du disque est iférieur à la somme des aires de ces rectagles Si vous preez u quadrillage plus fi, vous obtiedrez ue meilleure approximatio de l aire du disque Motrer que les polygoes du pla sot des borélies Motrer alors que le disque est u borélie et retrouver so aire par la formule 21 Exemple 2110 (Loi uiforme sur B borélie de R ) Soit Ω u borélie de R et de mesure fiie L esemble B Ω = {B Ω B B R } est ue tribu et (Ω,B Ω,P) est u espace probabilisé avec pour tout borélie B de B Ω, Cette mesure de probabilité est appelée loi uiforme sur B P(B) = µ(b) µ(ω) Exemple 2111 Ce procédé de costructio peut être utilisé das les cas discrets Cosidéros par exemple l expériece suivate faire ue ifiité de lacés successifs d ue pièce Il est aturel de cosidérer comme uivers l esemble Ω des mots ifiis formés des lettres P et F : Ω = {(c ) c {0,1}}, où {0} correspod à face et {1} correspod à pile O cosidère comme das le cas cotiu, ue algèbre simple sur laquelle o puisse défiir ue mesure puis o éted la mesure à la tribu egedrée par l algèbre par le théorème de Carathéodory L algèbre cosidérée est formée des parties de la forme A i 1,,i k 1,, k = {(c ) c 1 = i 1,,c k = i k } O suppose par exemple que la pièce est bie équilibrée et o pose doc P(A i 1,,i k 1,, k ) = 1 2 k 7
8 216 Propriétés des probabilités Propositio 2112 Soit (Ω,A,P) u espace probabilisé La mesure de probabilité P vérifie les propriétés suivates : 1 mootoie : si A et B sot deux évéemets de A avec A B alors P(A) P(B) 2 sous additivité : si (A ) est ue famille d évéemets de A alors ( ) P A P(A ) 3 cotiuité croissate : si (A ) est ue famille d évéemets de A telle que pour tout etier, A A +1 alors ( ) P A = lim P(A ) = supp(a ) + 4 cotiuité décroissate : si (A ) est ue famille d évéemets de A telle que pour tout etier, A +1 A alors ( ) P A = lim P(A ) = if P(A ) + Démostratio Soit (Ω,A,P) u espace probabilisé 1 Mootoie : Si A et B sot deux évéemets avec A B E ce cas par additivité de la mesure ous avos P(B) = P(A) + P(B \ A) P(A) 2 Sous additivité : Soit (A ) ue famille d évéemets de A Afi de prouver l iégalité, l idée est de se rameer aux esembles disjoits puis d appliquer l additivité de la mesure Cosidéros la suite de parties (B ) défiie par récurrece : { B0 = A 0 B +1 = A +1 \ B k, pour tout 0 Par costructio : Pour tout etier, B est iclus das A, doc P(B ) P(A ) Les esembles B i sot deux à deux disjoits Pour tout etier ous avos l egalité d esembles O e déduit doc les iégalités B k = A k et B k = A k ( ) ( ) 0 P A k = P B k = P(B k ) P(A k ) P(A k ) Par additivité de la mesure sur la famille (B ) ous avos ce qui iduit l iégalité cherchée : ( ) ( ) P A k = P B k = P(B k ), P ( ) A P(A ) 8
9 3 Cotiuité croissate Soit (A ) ue famille croissate d évéemets de A otos tout d abord que la suite (P(A )) est ue suite croissate par la propriété de mootoie précédete Cette suite de réels est majorée par la probabilité de l espace total, autremet dit 1 Par l axiome de la bore supérieure cette suite coverge et sa limite est sa bore supérieure Pour motrer l égalité P ( A ) = lim + P(A ) O cosidère la suite défiie par récurrece : { B0 = A 0 B +1 = A +1 \ A, pour tout 0 Par costructio : Pour tout etier, B est iclus das A, doc P(B ) P(A ) Les esembles B i sot deux à deux disjoits Pour tout etier ous avos l egalité d esembles B k = A k = A De ces remarques et de l additivité de la mesure o déduit doc les égalités ( ) ( ) P(A ) = P A k = P B k = P(B k ) Par additivité de la mesure sur la famille (B ) ous obteos l égalité cherchée e faisat tedre vers l ifii ( ) ( supp(a ) = lim P(A ) = P(B k ) = P B k = P A k ) 4 Cotiuité décroissate Soit (A ) ue famille d évéemets de A telle que pour tout etier, A +1 A La suite d égalités ( ) P A = lim P(A ) = if P(A ) + découle du poit précédet appliqué à la suite croissate d évéemets B = Ω \ A et de la formule pour tout évéemet M 1 = P(Ω) = P(M) + P(Ω \ M) Propositio 2113 (Formule de Poicaré) Soit (Ω,A,P) u espace probabilisé et A 1,,A des évéemets La probabilité de l uio de ces évéemets est doée par la formule P( k=1 A k) = k=1 ( 1) k 1 Par exemple, pour deux évéemets A et B o a la formule 1 i 1 i k P(A B) = P(A) + P(B) P(A B) P(A i1 A ik ) Remarque 2114 Cette formule est aalogue à la formule du crible, e particulier das le cas où Ω est u esemble fii, elle e découle immédiatemet 9
10 Démostratio Cette formule se prouve par récurrece sur Pour = 2, il suffit d écrire A B = (A \ (A B)) (A B) (B \ (A B)) puis d appliquer la mesure : P(A B) = P((A \ (A B))) + P(A B) + P(B \ (A B)) = (P(A) P(A B)) + P(A B) + (P(B) P(A B)) = P(A) + P(B) P(A B) Supposos le résultat vrai au rag Prouvos le rag + 1 Par le cas précédet ous pouvos écrire P(A 1 A A +1 ) = P(A 1 A ) + P(A +1 ) P((A 1 A +1 ) (A A +1 )) O applique alors l hypothèse de récurrece P(A +1 ) + k=1 ( 1) k 1 ( 1 i 1 i k qui est bie de la forme voulue O coclut par le théorème de récurrece P(A 1 A A +1 ) = P(A i1 A ik ) 1 i 1 i k P(A i1 A ik A +1 ) ) 22 Probabilités coditioelles et idépedace 221 Probabilités coditioelles O cosidère u espace probabilisé (Ω,A,P) et deux évéemets A et B Commet la coaissace de B réalisé ifluece t elle la probabilité de A? Ituitivemet o peut effectuer expérieces et o ote les résultats das u tableau : A B où 1 sigifie que l évéemet a eu lieu et 0 sio O défiit alors la fréquece coditioelle de la réussite de l évéemet A sachat la réussite de l évéemet B par f (A B) = = ombre de liges où o a 1,1 ombre de liges où o a,1 ombre de liges où o a 1,1 ombre de liges où o a,1 / = f (A B) f (B) E faisat tedre vers l ifii il est alors aturel de poser P(A B) = P(A B) P(B) 10
11 Défiitio 221 (Probabilité coditioelle) Soit (Ω, A, P) u espace probabilisé Soit A et B deux évéemets O suppose que B est u évéemet o quasi-impossible c est à dire P(B) > 0 La probabilité que l évéemet A se produise sachat que l évéemet B s est produit est P(A B) P(A B) = P(B) Par coséquet P(A B) = P(B)P(A B) Exemple 222 O lace deux fois u dé Quelle est la probabilité d obteir u 6 au premier lacé sachat que la somme obteue vaut 8? L uivers cosidéré est Ω = {1,,6} {1,,6} L esemble des évéemets est P (Ω) Le dé état pas pipé, la situatio est équiprobable et o cosidère la probabilité uiforme O cosidère l évéemet A le résultat du premier dé est 6 : A = {6} {1,,6} La probabilité de A est P(A) = Card A Card Ω = 6 36 = 1 6 O cosidère l évéemet B la somme des résultats vaut 8 : B = {(6,2),(2,6),(5,3),(3,5),(4,4)} O a alors P(A B) P(A B) = = 1 P(B) 5 O vérifie bie que la probabilité d obteir u 6 au premier lacé sachat que la somme des dés vaut 12 est égale à 1 Remarque 223 Soit B u évéemet, l applicatio P B : A [0,1] A P B (A) = P(A B) est ue probabilité E effet, si o cosidère ue famille (A ) d évéemets disjoits deux à deux ous avos P( A B) = P(( A ) B) P(B) otos de plus que P B (B) = P(B B) = 1 = P( (A B)) P(B) Ituitivemet, coditioer par B reviet à réduire l esemble des évéemets P(A B) = = P(B) P(A B) Propositio 224 (Probabilité coditioelle e cascade) O cosidère u espace probabilisé (Ω,A,P) et ue famille de évéemets A 1,,A telle que P( i=1 A i) > 0 La probabilité de l itersectio i=1 A i est P( i=1a i ) = P(A 1 )P(A 2 A 1 )P(A 3 A 1 A 2 )P(A A 1 A 1 ) Démostratio Toutes les probabilités coditioelles sot bie défiies car pour tout J {1,,} o a P( j J A j ) P( i=1a i ) > 0 La preuve se démotre alors par récurrece sur Le cas = 2 résulte de la défiitio Si l o suppose le résultat au rag alors o a P( +1 i=1 A i) = P( i=1a i )P(A +1 i=1a i ) qui doe la boe formule via l hypothèse de récurrece O coclut par le théorème de récurrece Exemple 225 O tire 4 cartes d u jeu de 52 cartes Quelle est la probabilité que l o ait tiré les 4 as? O cosidère Ω comme l esemble des résultats possibles Les évéemets sot les parties de Ω et o suppose que l o a équiprobabilité O ote A i l évéemet la i-ème carte tirée est u as O cherche doc à calculer la probabilité de A 1 A 2 A 3 A 4 O a Le résultat cherché est doc P(A 1 ) = 4/52, P(A 2 A 1 ) = 3/51, P(A 3 A 2 A 1 ) = 2/50, et P(A 4 A 1 A 2 A 3 ) = 1/49 P(A 1 A 2 A 3 A 4 ) = =
12 222 Formule des probabilités totales et formule de Bayes Défiitio 226 (Système complet d évéemets) Soit (Ω,A,P) u espace probabilisé Ue famille (S i ) i I d évéemets est u système complet si elle partitioe de Ω : les S i sot deux à deux disjoits et leur uio est Ω Propositio 227 (Formule des probabilités totales et formule de Bayes) Soit (Ω,A,P) u espace probabilisé Soit (S i ) i I u système complet d évéemets, (S j ) j J ceux qui e sot pas quasi-impossibles et A u évéemet O a Si A est pas quasi-impossible alors pour tout k J o a P(A) = P(A S i ) = P(S j )P(A S j ) i I j J P(S k A) = P(A S k) i I P(A S i ) = P(S k)p(a S k ) j J P(S j )P(A S j ) Lorsque le système complet d évéemets est réduit à (B,B) o a P(B A) = P(B)P(A B) P(B)P(A B) + P(B)P(A B) Démostratio La famille (S i ) i I est ue partitio de Ω, par coséquet la famille (A S i ) i I est ue partitio de A et par additivité de la mesure o a l égalité P(A) = P(A S i ) i I Si S i est de mesure ulle alors il e est de même de A S i par mootoie La formule P(A) = P(A S i ) = P(S j )P(A S j ), i I j J découle doc de la défiitio des probabilités coditioelles Les autres formules découlet sot alors immédiates Exemple 228 O cosidère deux ures U 1 et U 2 coteat b 1, b 2 boules blaches et 1, 2 boules oires O choisit au hasard ue ure et o tire esuite ue boule das cette ure 1 Quelle est la probabilité de tirer ue boule oire? 2 Quelle la probabilité d avoir tiré das l ure U i sachat qu ue boule oire a été tirée? O e s étedra pas sur la costructio d u modèle (Ω,A,P) Disos simplemet que pour que la probabilité soit pertiate o doit avoir P(U i ) = 1 2 et P( U i) = i, i + b i où U i est l évéemet le tirage à lieu das l ure U i et est l évéemet o tire ue boule oire Les évéemets U 1 et U 2 formet u système complet par coséquet P() = P( U 1 )P(U 1 ) + P( U 2 )P(U 2 ) = 1 2 Pour répodre à la deuxième questio o applique la formule de Bayes : P(U i ) = P(U i )P( U i ) P(U 1 )P( U 1 ) + P(U 2 )P( U 2 ) = 12 ( 1 + ) b b 2 i i +b i 1 1 +b b 2
13 223 Evèemets idépedats Cosidéros deux jets successifs d u même dé L uivers associé à cette expériece est bie etedu l esemble des résultats Ω = Ω 1 Ω 2 avec Ω 1 = Ω 2 = {1,,6} O cosidère comme esemble d évéemets l esemble des parties de Ω O choisit la probabilité uiforme U évéemet A e teat compte que du premier jet est de la forme A 1 Ω 2 et u évéemet B e teat compte que du deuxième jet est de la forme Ω 1 B 2 Ituitivemet, ces évéemets e dépedet pas l u de l autre O a O a E particulier o a O a alors O pose alors aturellemet la défiitio A B = A 1 B 2 B 2 P(A 1 B 2 ) = ({ω} B 2 ) = ω 1 A 1 ω 1 A 1 Ω 1 Ω 2 = A 1 Ω 1 P(A 1 Ω 2 ) = A 1 Ω 1 et P(Ω 1 B 2 ) = A 2 Ω 2 P(A B) = P(A)P(B) B 2 Ω 2 Défiitio 229 (Evèemets idépedats) Soit (Ω, A, P) u espace probabilisé Deux évéemets A et B sot idépedats lorsque P(A B) = P(A)P(B) Les évéemets A 1,,A sot mutuellemet idépedats si et seulemet si toute itersectio d u ombre quelcoque de ces évéemets a pour probabilité le produit des probabilités de ceux-ci O predra garde à e pas cofodre évéemets idépedats et évéemets icompatibles! Rappelos que deux évéemets A et B sot icompatibles si et seulemet si A B = /0 Remarque 2210 O peut cosidérer deux poits de vue sur l idépedace Idépedace probabiliste O s est doé u espace probabilisé et o cherche à motrer que deux évéemets A et B sot idépedats Idépedace physique O costruit u modèle probabiliste O suppose que l o a idépedace physique etre deux évéemets A et B et de maière pertiate o défiit P(A B) par P(A)P(B) Par exemple, pour 3 lacés successifs d ue pièce, la probabilité d obteir PFP est = 1 8 Par costructio du modèle, l idépedace physique implique l idépedace probabiliste La réciproque est fausse 224 Lemmes de Borel-Catelli Théorème 2211 (Lemmes de Borel-Catelli) O cosidère u espace probabilisé (Ω, A, P) et ue famille déombrable d évéemets (A ) 1 Si la série P(A ) est covergete alors la probabilité qu ue ifiité de A se réaliset est ulle 2 Si les évéemets A sot idépedats et si la série P(A ) est divergete alors la probabilité qu ue ifiité de A se réaliset est 1 O déduit alors le corollaire : Corollaire 2212 (Loi de type 0 1 (Borel)) O cosidère u espace probabilisé (Ω, A, P) et ue famille déombrable d évéemets idépedats (A ) La probabilité qu ue ifiité d etre eux se réaliset est soit 0 soit 1 13
14 Avat de faire la preuve de ce résultat, il faut répodre à la questio : e quoi il existe ue ifiité de A qui se réaliset est il u évéemet? Pour répodre à cette questio, ous itroduisos les otios de limite supérieure et iférieure de parties Défiitio 2213 (Limites supérieure et iférieure d ue famille de parties d u esemble) Soit E u esemble et (A ) ue famille déombrable de parties 1 O appelle limite supérieure de la famille (A ) la partie limsup A := A m E m La partie limsup A est l esemble des élémets de E apparteat à ue ifiité de A 2 O appelle limite iférieure de la famille (A ) la partie limif A := A m E m La partie limif A est l esemble des élémets de E apparteat à tous les A à patir d u certai rag ; le rag dépedat bie etedu de l élémet cosidéré Remarque 2214 Soit (Ω,A) u espace probabilisable et (A ) ue famille déombrable d évéemets Par les axiomes sur l esemble des évéemets et la défiitio précédete, 1 la limite supérieure des A est ecore u évéemet précisémet l évéemet ue ifiité des évéemets A est réalisée 2 la limite iférieure des A est ecore u évéemet précisémet l évéemet il existe u rag tel que tous les évéemets A soiet réalisés Démostratio O cosidère u espace probabilisé (Ω,A,P) et ue famille déombrable d évéemets (A ) ous allos motrer les deux résultats suivats e utilisat la limite supérieure des A : 1 Si la série P(A ) est covergete alors P(limsup A ) = 0 2 Si les évéemets A sot idépedats et si la série P(A ) est divergete alors P(limsup A ) = 1 Par la remarque précédete ous obteos doc le théorème 1 ous avos par additivité de la mesure 0 P(limsupA ) = P( m A m ) P( m A m ) m= P(A m ) 0 E effet, par hypothèse la série P(A ) est covergete So reste m= P(A m ) ted doc vers 0 quad ted vers l ifii 2 Cosidéros le complémetaire de la limite supérieure des A : Ω \ limsupa = Ω \ m A m = m (Ω \ A m ) = C, avec C = m= (Ω \ A m ) Par cotiuité décroissate et idépedace ous avos P(C ) = lim P( m=ω \ A m ) = lim m= P(Ω \ A m ) E utilisat l iégalité de covexité e x x + 1 et la divergece de la série P(A ), ous obteos Aisi, doc P(limsupA ) = 1 P(C ) = lim m= (1 P(A m )) lim m= P(Ω \ limsupa ) P(c ) = 0, 14 e P(A m) = e m= P(A m ) = 0
15 Exemple 2215 O joue à pile ou face u ombre idétermié de fois O cosidère le modèle probabiliste (Ω,A,P) expliqué à l exemple 2111 Par équiprobabilité sur tirages, la probabilité de l évéemet A pas de piles das les premiers lacers est P(A ) = 1 2 otos que la série P(A ) est covergete, par applicatio du lemme de Borel Catelli, avec probabilité 1 seul u ombre fii des A est réalisé Par coséquet avec probabilité 1 o obtiedra u pile Exemple 2216 Soit M u mot de logueur l fixé formé des lettres P et F O cosidère A k l évéemet cosistat e le fait que le mot se réalise das les coups (k 1)l +1 et kl Ces évéemets sot idépedats et ot tous la même probabilité, d où P(A ) = Par le lemme de Borel-Catelli, avec ue probabilité égale à 1, ue ifiité d évéemets A k vot se produire Autremet dit le mot M va apparaître ue ifiité de fois Cotre-exemple Cosidéros comme espace probabilisé (Ω = [0, 1], B([0, 1]), µ) et comme famille d évéemets les parties A = [0, 1 ] ous avos µ(a ) = 1 et µ(a ) = + La limite supérieure est limsupa = {0} qui est de mesure ulle Le lemme de Borel Catelli prédirait µ(limsupa ) = 1 ce qui est faux E effet, les A e sot pas idépedats : pour m 1, P(A A m ) = 1 1 m 23 Lois de probabilités usuelles 231 Lois discrètes O cosidère (Ω,P (Ω),P) u modèle probabiliste avec Ω déombrable La probabilité P est totalemet détermiée par ses valeurs sur les évetualités : avec ω Ω P({ω}) = 1 P : A [0, 1] A P(A) = ω A P({ω}) Loi uiforme L uivers Ω est fii et pour tout ω, P({ω}) = 1 Card Ω Usage : Modéliser l équiprobabilité Loi de Beroulli B(1, p), 0 < p < 1 L uivers est Ω = {0,1} La probabilité est totalemet défiie par P({1}) = p et P({0}) = 1 p Usage : Modéliser ue épreuve de Beroulli c est à dire ue expériece aléatoire avec deux résultats possibles souvet appelés succès avec probabilité p et échec avec probabilité 1 p Exemple type : jeu de pile ou face avec ue pièce truquée p 1/2 Loi biomiale B(, p), 0 < p < 1, etier O cosidère Ω = {0,,} La probabilité est totalemet détermiée par k Ω, P({k}) = C k p k (1 p) k O vérifie que l o a bie P({k}) = 1 par la formule du biôme de ewto Usage : O effectue épreuves de Beroulli idépedates de paramètre p et o s itéresse au ombre de succès Exemple type : ombre de pile au cours de tirages à pile ou face 15
16 O cosidère Ω = {0,,r 1 } La probabilité est totalemet déter- Loi hypergéométrique de paramètres etiers, r, r 1 miée par k Ω, P({k}) = Ck r 1 Cr r k 1 Usage : O cosidère ue ure coteat r boules, dot r 1 rouges et r r 1 blaches O tire boules et o s itéresse au ombre de boules rouges obteues Remarquos que ce cotexte fourit u raisoemet combiatoire pour prouver l égalité r 1 P({k}) = 1 E effet si o cosidère l esemble des boules possibles, cet esemble à Cr élémets et de plus il est partitioé e classe du type k boules rouges, k boules blaches dot le ombre est Cr k 1 Cr r k 1 O obtiet doc l égalité C r = Exemple type : Modélisatio des sodages et cotrôle de qualité C r C k r 1 C k r r 1 Loi de Poisso P(λ) L esemble Ω est ici u esemble ifii déombrable, o le ote Ω = (ω ) La probabilité est totalemet détermiée par, P({ω }) = λ! e λ O vérifie que l o a bie λ! e λ = 1 Usage : Cette loi iterviet das la modélisatio de phéomèes de comptage Exemple type : Le ombre de désitégratios atomiques das u corps radioactif pedat u itervalle de temps, le ombre d arrivées à u guichet, le ombre de gouttes de pluie sur ue surface doée peuvet être modélisés par ue loi de Poisso Loi géométrique sur, G (p), 0 < p < 1 L esemble Ω est ici La probabilité est totalemet détermiée par, P({}) = p(1 p) Par sommatio de la série géométrique, o vérifie bie que l o a P({}) = 1 Usage : Loi du ombre d échecs recotrés avat d obteir u succès das la répétitio d épreuves de Beroulli idépedates de paramètre p 232 Lois cotiues Précédemmet ous avos esquissé les grades liges de la costructio de la mesure de Lebesgue sur R Cette mesure coue, o peut alors costruire l itégrale de Lebesgue ous aborderos pas cette théorie das ce cours, mais ous ous cotetos simplemet de dire que das tous les cas que ous cosidèreros, l itégrale de Lebesgue d ue foctio correspodra à so itégrale de Riema Soit f : R R + ue foctio itégrable au ses de Riema sur R et telle que R f (x)dx = 1 Il existe ue uique mesure de probabilité sur (R,B R ) telle que pour tout itervalle I, P(I) = f (x)dx I O prologe cette mesure à l algèbre formée des uios fiies d itervalles O éted esuite cette mesure à la tribu des borélies par le théorème d extesio évoqué das la costructio de la mesure de Lebesgue La foctio f porte le om de desité de la mesure de probabilité P 16
17 Loi uiforme sur [a,b] Cette probabilité est otée U([a,b]) La desité de f est défiie par x R, f (x) = 1 b a 1 [a,b](x) Deux sous itervalles de même logueur ot la même probabilité Loi ormale de Laplace-Gauss (m,σ 2 ), m est réel et σ 2 > 0 La desité de f est défiie par x R, f (x) = 1 ) ( σ 2π exp (x m)2 2σ 2 La loi ormale appelée aussi loi des erreurs est souvet employée comme modèle pour approximer d autre loi Le théorème limite cetral que ous verros das le chapitre sur les théorèmes limites est la pricipale raiso de l itervetio uiverselle de la loi ormale das les phéomèes aturels et autres Loi de Cauchy La desité de f est la foctio défiie par x R, f (x) = 1 1 π 1 + x 2 Loi expoetielle exp(p), p>0 La desité de f est la foctio défiie par x R, f (x) = 1 R +(x)pe px Cette probabilité doe ue probabilité ulle à tout itervalle coteu das R Elle iterviet das la modélisatio des phéomèes d attete et des durées de vie (atomes radioactifs) 24 Objectifs pédagogiques 1 Das les cas faciles, savoir produire u modèle probabiliste Savoir recoaître les situatios équiprobables 2 Savoir recoaître ue situatio de probabilité coditioelle 3 Savoir motrer que deux évéemets sot idépedats 4 Savoir utiliser la formule de Poicaré, la formule des probabilités totales et la formule de Bayes 5 Savoir utiliser les lemmes de Borel-Catelli 6 Coaître les lois usuelles et leurs applicatios 17
1 Mesure et intégrale
1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios
Plus en détailChapitre 3 : Fonctions d une variable réelle (1)
Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s
Plus en détailLimites des Suites numériques
Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet
Plus en détail. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1
Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S
Plus en détailCHAPITRE 2 SÉRIES ENTIÈRES
CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.
Plus en détailSéquence 5. La fonction logarithme népérien. Sommaire
Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa
Plus en détailIntégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :
Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +
Plus en détailComportement d'une suite
Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer
Plus en détailSéries réelles ou complexes
6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés
Plus en détailFEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI
FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue
Plus en détailProcessus et martingales en temps continu
Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de
Plus en détailProbabilités et statistique pour le CAPES
Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes
Plus en détailDénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions
Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter
Plus en détailSTATISTIQUE : TESTS D HYPOTHESES
STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie
Plus en détailDénombrement. Chapitre 1. 1.1 Enoncés des exercices
Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.
Plus en détail14 Chapitre 14. Théorème du point fixe
Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de
Plus en détail[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =
[http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.
Plus en détailx +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.
EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **
Plus en détailExo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X
Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour
Plus en détailIntroduction : Mesures et espaces de probabilités
Itroductio : Mesures et espaces de probabilités Référeces : Poly cédric Berardi et Jea Michel Morel. J.-F. Le Gall, Itégratio, Probabilités et Processus Aléatoire J.-Y. Ouvrard, Probabilités 2, maîtrise-agrégatio,
Plus en détailEXERCICES : DÉNOMBREMENT
Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris
Plus en détailExercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1
Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a
Plus en détailEtude de la fonction ζ de Riemann
Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.
Plus en détailSuites et séries de fonctions
[http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de
Plus en détailBaccalauréat S Asie 19 juin 2014 Corrigé
Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps
Plus en détailCours de Statistiques inférentielles
Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice
Plus en détailGroupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3
1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que
Plus en détailConvergences 2/2 - le théorème du point fixe - Page 1 sur 9
Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios
Plus en détailLes Nombres Parfaits.
Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie
Plus en détailUV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1
UV SQ 0 Probabilités Statistiques UV SQ 0 Autome 006 Resposable d Rémy Garadel ( m.-el. remy.garadel@utbm.fr ) page SQ-0 Probabilités - Statistiques Bibliographie: Titre Auteur(s) Editios Localisatio Niveau
Plus en détail4 Approximation des fonctions
4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour
Plus en détailII LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009
M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted
Plus en détailStatistique descriptive bidimensionnelle
1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets
Plus en détail20. Algorithmique & Mathématiques
L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus
Plus en détail55 - EXEMPLES D UTILISATION DU TABLEUR.
55 - EXEMPLES D UTILISATION DU TABLEUR. CHANTAL MENINI 1. U pla possible Les exemples qui vot suivre sot des pistes possibles et e aucu cas ue présetatio exhaustive. De même je ai pas fait ue étude systématique
Plus en détailExercices de mathématiques
MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris
Plus en détailSÉRIES STATISTIQUES À DEUX VARIABLES
1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1
Plus en détailUNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4
UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»
Plus en détailcapital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...
Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1
Plus en détailLES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.
Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la
Plus en détailc. Calcul pour une évolution d une proportion entre deux années non consécutives
Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages
Plus en détailDeuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES
DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces
Plus en détailCours 5 : ESTIMATION PONCTUELLE
Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-
Plus en détailUniversité Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014
Uiversité Pierre et Marie Curie Biostatistique PACES - UE4 2013-2014 Resposables : F. Carrat et A. Mallet Auteurs : F. Carrat, A. Mallet, V. Morice Mise à jour : 21 octobre 2013 Relecture : V. Morice,
Plus en détailSTATISTIQUE AVANCÉE : MÉTHODES
STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................
Plus en détailTerminale S. Terminale S 1 F. Laroche
Termiale S Exercices. Rappels et exercices de base 3.. QCM (P. Egel) 3.. QCM, Atilles 005 4. 3. QCM, Liba 009, 3 poits 4. 4. QCM, C. étragers 007. 5. QCM, Frace 007 5 6. 6. QCM, N. Calédoie 007 7. 7. QCM
Plus en détail2 ième partie : MATHÉMATIQUES FINANCIÈRES
2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul
Plus en détailUNIVERSITÉ DE SFAX École Supérieure de Commerce
UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première
Plus en détailDes résultats d irrationalité pour deux fonctions particulières
Collect. Math. 5, 00, 0 c 00 Uiversitat de Barceloa Des résultats d irratioalité pour deux foctios particulières Richard Choulet 7, Rue du 4 Août, 40 Aveay, Frace E-mail: richardchoulet@waadoo.fr Received
Plus en détailPROMENADE ALÉATOIRE : Chaînes de Markov et martingales
PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières
Plus en détailTRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )
RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude
Plus en détailChaînes de Markov. Arthur Charpentier
Chaîes de Markov Arthur Charpetier École Natioale de la Statistique et d Aalyse de l Iformatio - otes de cours à usage exclusif des étudiats de l ENSAI - - e pas diffuser, e pas citer - Quelques motivatios.
Plus en détailConsolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe
Cosolidatio La société THEOS, qui commercialise des vis, exerce so activité das trois villes : Paris, Nacy et Nice. Le directeur de la société souhaite cosolider les résultats de ses vetes par ville das
Plus en détailLa France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe
1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios
Plus en détailChap. 5 : Les intérêts (Les calculs financiers)
Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie
Plus en détailPolynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.
Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités
Plus en détailPrincipes et Méthodes Statistiques
Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............
Plus en détailUniversité Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME
Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par
Plus en détailStatistique Numérique et Analyse des Données
Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques
Plus en détailUn nouvel opérateur de fusion adaptatif. A new adaptive operator of fusion. 1. introduction
A ew adaptive operator of fusio par Fraçois DELMOTTE LAMIH, Uiversité de Valeciees et du Haiaut-Cambrésis, Le Mot Houy, BP 3, 5933 Valeciees CEDEX 9 fdelmott@flore.uiv-valeciees.fr résumé et mots clés
Plus en détailChapitre 3 : Transistor bipolaire à jonction
Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats
Plus en détailProcessus géométrique généralisé et applications en fiabilité
Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR
Plus en détail16.1 Convergence simple et convergence uniforme. une suite de fonctions de I dans R ou C.
16 Suites de foctios Suf précisio cotrire, I est u itervlle réel o réduit à u poit et les foctios cosidérées sot défiies sur I à vleurs réelles ou complexes. 16.1 Covergece simple et covergece uiforme
Plus en détailInitiation à l analyse factorielle des correspondances
Fiche TD avec le logiciel : tdr620b Iitiatio à l aalyse factorielle des correspodaces A.B. Dufour & M. Royer & J.R. Lobry Das cette fiche, o étudie l Aalyse Factorielle des Correspodaces. Cette techique
Plus en détailEtude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?
Etude Spéciale o. 7 Javier 2003 SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? MARK SCHNEIDER Le CGAP vous ivite à lui faire part de vos commetaires, de vos rapports et de toute demade d evoid autres
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailUniversité de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015
Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir
Plus en détailChapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.
Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
1 / 9 Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Le cycle d exploitatio des etreprises (achats stockage productio stockage vetes) peut etraîer des décalages de trésorerie plus
Plus en détailComment les Canadiens classent-ils leur système de soins de santé?
Novembre Les sois de saté au Caada, c est capital bulleti o 4 Commet les Caadies classet-ils leur système de sois de saté? Résultats du sodage iteratioal du Fods du Commowealth sur les politiques de saté
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires
Plus en détailStatistiques appliquées à la gestion Cours d analyse de donnés Master 1
Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques
Plus en détailThéorie de la Mesure et Intégration
Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY 2 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble
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 détailSommaire Chapitre 1 - L interface de Windows 7 9
Sommaire Chapitre 1 - L iterface de Widows 7 9 1.1. Utiliser le meu Démarrer et la barre des tâches de Widows 7...11 Démarrer et arrêter des programmes...15 Épigler u programme das la barre des tâches...18
Plus en détailDETERMINANTS. a b et a'
2003 - Gérard Lavau - http://perso.waadoo.fr/lavau/idex.htm Vous avez toute liberté pour télécharger, imprimer, photocopier ce cours et le diffuser gratuitemet. Toute diffusio à titre oéreux ou utilisatio
Plus en détailSéries numériques. Chap. 02 : cours complet.
Séris méris Cha : cors comlt Séris d réls t d comlxs Défiitio : séri d réls o d comlxs Défiitio : séri corgt o dirgt Rmar : iflc ds rmirs trms d séri sr la corgc Théorèm : coditio écssair d corgc Théorèm
Plus en détailSemestre : 4 Module : Méthodes Quantitatives III Elément : Mathématiques Financières Enseignant : Mme BENOMAR
Semestre : 4 Module : Méthodes Quattatves III Elémet : Mathématques Facères Esegat : Mme BENOMAR Elémets du cours Itérêts smples, précompte, escompte et compte courat Itérêts composés Autés Amortssemets
Plus en détail3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions.
3 Réseau Le réseau costitue u aspect essetiel d u eviroemet virtuel ESX. Il est doc importat de compredre la techologie, y compris ses différets composats et leur coopératio. Das ce chapitre, ous étudios
Plus en détailMESURE DE L'INFORMATION
MESURE DE L'INFORMATION Marc URO TABLE DES MATIÈRES INTRODUCTION... 3 INCERTITUDE D'UN ÉVÉNEMENT (OU SELF-INFORMATION)... 7 INFORMATION MUTUELLE DE DEUX ÉVÉNEMENTS... 9 ENTROPIE D'UNE VARIABLE ALÉATOIRE
Plus en détailGérer les applications
Gérer les applicatios E parcourat les rayos du Widows Phoe Store, vous serez e mesure de compléter les services de base de votre smartphoe à travers plus de 10 000 applicatios. Gratuites ou payates, ces
Plus en détailÉchantillonnage et estimation
Stage «Nouveaux programmes de Termiale S» - Ho Chi Mih-Ville Novembre 202 Échatilloage et estimatio Partie C - Frédéric Barôme page Échatilloage et estimatio Partie C : Capacités et exercices-types. Rappelos
Plus en détailLa maladie rénale chronique
La maladie réale chroique Qu est-ce que cela veut dire pour moi? Natioal Kidey Disease Educatio Program La maladie réale chroique: l essetiel Vous avez été iformé(e) que vous êtes atteit(e) de la maladie
Plus en détailRenseignements et monitoring. Renseignements commerciaux et de solvabilité sur les entreprises et les particuliers.
Reseigemets et moitorig. Reseigemets commerciaux et de solvabilité sur les etreprises et les particuliers. ENSEMBLE CONTRE LES PERTES. Reseigemets Creditreform. Pour plus de trasparece. Etreteir des rapports
Plus en détailMobile Business. Communiquez efficacement avec vos relations commerciales 09/2012
Mobile Busiess Commuiquez efficacemet avec vos relatios commerciales 9040412 09/2012 U choix capital pour mes affaires Pour gérer efficacemet ses affaires, il y a pas de secret : il faut savoir predre
Plus en détailSTRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO
Des résultats du Programme de réductio des risques STRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO 1. Cotexte La puaise tere Lygus lieolaris (figure 1) est
Plus en détailPROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS J. L. NICOLAS
PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS ET APPROXIMATIONS DIOPHANTIENNES J. L. NICOLAS Cet article expose sup 3 e quelques iter'f~reces etre les pr'obl~res dloptimisatio e hombres etiers et la th~or-ie
Plus en détailLE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE
LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE. Exemple troductf (Les élèves qu coasset déà be le prcpe peuvet sauter ce paragraphe) Cosdéros la sute (u ), défe pour tout, par : u u u 0 0 Cette sute est défe
Plus en détailMécanique non linéaire
M MN9 Mécaique o liéaire Zhi-Qiag FENG UFR Sciece et Techologies Uiversité d Evry Val d Essoe TABLES DES MATIERES INTRODUCTION Chapitre : CONCEPTS ELEMENTAIRES. Pricipales propriétés des matériaux. Coaissace
Plus en détailLes algorithmes de tri
CONSERVATOIRE NATIONAL DES ARTS ET METIERS PARIS MEMOIRE POUR L'EXAMEN PROBATOIRE e INFORMATIQUE par Nicolas HERVE Les algorithmes de tri Souteu le mai JURY PRESIDENTE : Mme COSTA Sommaire Itroductio....
Plus en détailIndépendance Probabilité conditionnelle. Chapitre 3 Événements indépendants et Probabilités conditionnelles
Chapitre 3 Événements indépendants et Probabilités conditionnelles Indépendance Indépendance Probabilité conditionnelle Definition Deux événements A et B sont dits indépendants si P(A B) = P(A).P(B) Attention
Plus en détailLe chef d entreprise développe les services funéraires de l entreprise, en
Le chef d etreprise développe les services fuéraires de l etreprise, e assurat lui-même tout ou partie des activités de vete et e ecadrat directemet le persoel techique et commercial et d exploitatio.
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailRégulation analogique industrielle ESTF- G.Thermique
Chapitre 5 Stabilité, Rapidité, Précisio et Réglage Stabilité. Défiitio Coditio de stabilité. Critères de stabilité.. Critères algébriques.. Critère graphique ou de revers das le pla de Nyquist Rapidité
Plus en détailPOLITIQUE ECONOMIQUE ET DEVELOPPEMENT
POLTQU ONOMQU T DVLOPPMNT TRUTUR DU MAR NATONAL DU AF-AAO T PR AU PRODUTUR MALAN Beïla Beoit osultat PD N 06/008 ellule d Aalyse de Politiques coomiques du R Aée de pulicatio : Avril 009 Résumé e papier
Plus en détailINTRODUCTION AUX MATRICES ALÉATOIRES. par. Djalil Chafaï
INTRODUCTION AUX MATRICES ALÉATOIRES par Djalil Chafaï Résumé. E cocevat les mathématiques comme u graphe, où chaque sommet est u domaie, la théorie des probabilités et l algèbre liéaire figuret parmi
Plus en détailFormation d un ester à partir d un acide et d un alcool
CHAPITRE 10 RÉACTINS D ESTÉRIFICATIN ET D HYDRLYSE 1 Formatio d u ester à partir d u acide et d u alcool 1. Nomeclature Acide : R C H Alcool : R H Groupe caractéristique ester : C Formule géérale d u ester
Plus en détailCompte Sélect Banque Manuvie Guide du débutant
GUIDE DU DÉBUTANT Compte Sélect Baque Mauvie Guide du débutat Besoi d aide? Preez quelques miutes pour lire attetivemet votre Guide du cliet. Le préset Guide du débutat vous facilitera l utilisatio de
Plus en détail