1 Couples de variables aléatoires nies
|
|
- Clotilde Gaulin
- il y a 6 ans
- Total affichages :
Transcription
1 Lycée Roland Garros Mathématiques BCPST ère année Chapitre n o 22. Couples de variables aléatoires Couples de variables aléatoires nies. Dénition Dénition. On appelle couple de v.a. nies toute application Z : Ω R 2 ω (X(ω), Y (ω)), X et Y étant des v.a. nies dénies sur Ω. On note simplement Z = (X, Y ). Considérer la variable Z c'est considérer les variables X et Y conjointement puisqu'on considère la donnée simultanée des valeurs X(ω) et Y (ω). Ceci est plus fort que de considérer séparément les variables X et Y. Dans la dénition ci-dessus il est important que X et Y soient dénies sur le même univers Ω. Ceci sera implicitement supposé dans toute cette section. Fil Bleu On lance deux dés à 4 faces et on note R et R 2 les deux scores obtenus. On s'intéresse à X = min(r, R 2 ) et Y = max(r, R 2 ). Z = (X, Y ) est alors un couple de v.a. nies puisque X et Y sont des v.a. nies. Que vaut Z(Ω)? Le couple Z peut valoir n'importe quel couple (x, y) où x, [, 4] et x y. Par conséquent Z(Ω) = {(x, y) [, 4] 2 : x y}. [Dessin] Proposition. On a toujours Z(Ω) X(Ω) Y (Ω) mais l'inclusion réciproque est fausse en général. Proposition 2. Si X(Ω) = {x,..., x m } et Y (Ω) = {y,..., y n } alors les évènements
2 {X = x i } {Y = y j }, pour i [, m] et j [, n] forment un système complet d'évènements. Remarque. L'évènement {X = x i } {Y = y j } = {ω Ω : X(ω) = x et Y (ω) = y} est aussi noté {X = x i, Y = y j }..2 Loi conjointe, loi marginale, loi conditionnelle Dénition 2. Loi conjointe. La loi d'un couple (X, Y ) (ou loi conjointe de X et Y ) est la fonction f X,Y : X(Ω) Y (Ω) [0, ] (x, y) P(X = x, Y = y). Fil Bleu Quelle est la loi de (X, Y )? Il faut calculer P(X = i, Y = j) pour i X(Ω) = [, 4] et j Y (Ω) = [, 4]. On décrit donc l'évènement {X = i, Y = j} :, si i > j {X = i, Y = j} = {(i, i)}, si i = j {(i, j), (j, i)}, si i < j Par ailleurs Ω est muni de la probabiltité uniforme donc toutes les issues (i, j) ont même probabiltié /6. Par conséquent 0, si i > j P(X = i, Y = j) = 6, si i = j 2, 6 si i < j Ces résultats peuvent être rassemblés dans un tableau à double entrée : X\ Y Bien sûr la somme des chires du tableau est égale à car les évènements {X = i, Y = j} forment un système complet. Dénition 3. Lois marginales. Pour tout couple (X, Y ) de v.a. nies sur Ω, la loi de X est appelée première loi marginale du couple (X, Y ), la loi de Y est appelée seconde loi marginale du couple (X, Y ), 2
3 Remarque. la donnée des deux lois marginales d'un couple est une donnée moins forte que la donnée de sa loi conjointe. On peut en eet retrouver la loi de X et celle de Y à partir de la loi du couple (X, Y ), mais l'inverse n'est pas vrai! Proposition 3. Formule des probabilités totales, version I. Soit X(Ω) = {x,..., x m } et Y (Ω) = {y,..., y n }. On a i [, m], P(X = x i ) = n P(X = x i, Y = y j ), j= j [, n], P(Y = y j ) = m P(X = x i, Y = y j ). Démonstration. Les évènements {X = i, Y = j} forment un système complet... Fil Bleu Avec le tableau ci-dessus on est en mesure de donner les lois de X et Y, qu'on peut spécier dans les marges du tableau (d'où le nom de lois marginales) : i= X\ Y Loi de X Loi de Y Remarque. La somme des valeurs dans chacune des marges est bien sûre égale à. Dénition 4. Lois conditionnelles. Soit (X, Y ) un couple de v.a. nies. Pour y Y (Ω) tel que P(Y = y) 0, l'application X(Ω) [0, ] x P(X = x Y = y) est appelée loi conditionnelle de X sachant {Y = y}. On dénit de même la loi de Y sachant {X = x}. Remarque. On rappelle que P(X = x Y = y) = P(X = x, Y = y)/p(y = y). Cette quantité est parfois notée P {Y =y} (X = x). Concrètement la loi de X sachant {Y = y} correspond à la colonne Y = y dans le tableau, mais divisée par la somme de ses valeurs pour que la somme fasse (on dit renormalisée). 3
4 Fil Bleu La loi de X sachant {Y = 3} est donnée par P(X = Y = 3) = 2/6 = 2, 5/6 5 P(X = 2 Y = 3) = 2/6 5/6 = 2, 5 P(X = 3 Y = 3) = /6 =. 5/6 5 La proposition suivante permet de retrouver les lois marginales à partir des lois conditionnelles. Proposition 4. Formule des probabilités totales, version II. Si X(Ω) = {x,..., x m } et Y (Ω) = {y,..., y n }, P(X = x i ) = P(Y = y j ) = n P(Y = y j )P(X = x i Y = y j ), j= m P(X = x i )P(Y = y j X = x i ). i= Proposition 5. Loi d'une somme de deux v.a. Soient X et Y deux v.a. nies à valeurs dans N. Alors la loi de X + Y est donnée par n N, P(X + Y = n) = n P(X = k, Y = n k). k=0 Remarque. La loi de X + Y ne dépend donc pas seulement des lois de X et de Y mais de leur loi conjointe. Fil Bleu On a par exemple P(X+Y = 4) = P(X =, Y = 3)+P(X = 2, Y = 2)+P(X = 3, Y = ) = 3/6. Théorème. Théorème de transfert pour 2 variables. Soient X, Y deux v.a. nies et u : R 2 R une application. On a E(u(X, Y )) = u(x, y)p(x = x, Y = y). x X(Ω) y Y (Ω) Fil Bleu Calculons par exemple l'espérance de XY. On a E(XY ) = =
5 .3 Covariance Dénition 5. Covariance. Soient X et Y deux v.a. nies sur Ω. On dénit la covariance de X et Y par : Cov(X, Y ) = E ( (X EX)(Y EY ) ) L'interprétation de la variance est la suivante. Puisque le produit (X EX)(Y EY ) est positif lorsque (X EX) et (Y EY ) sont de même signe et réciproquement, on a Cov(X, Y ) > 0 si X et Y ont tendance à prendre simultanément des valeurs relativement faibles ou relativement opposées (on parle de variables positivement corrélées), Cov(X, Y ) < 0 si X et Y ont tendance au contraire à varier dans le sens opposé (on parle de variables négativement corrélées). Proposition 6. Formule de K nig-huygens. On a Cov(X, Y ) = E(XY ) E(X)E(Y ). Démonstration. Preuve identique à celle de la proposition analogue pour la variance. Fil Bleu Vérier que la covariance de X et Y vaut 00/6 2. Le signe de cette covariance est-il surprenant? Proposition 7. On a (i) Cov(X, X) = Var(X), (ii) Cov(X, Y ) = Cov(Y, X), (iii) Cov(aX + bx 2, Y ) = a.cov(x, Y ) + b.cov(x 2, Y ), et de même par rapport à Y. Proposition 8. Pour toutes v.a. X et Y, Var(X + Y ) = Var(X) + Var(Y ) + 2Cov(X, Y ). Démonstration. Développer Cov(X + Y, X + Y )..4 Indépendance de deux variables aléatoires Dénition 6. Deux v.a. nies X et Y sont dites indépendantes (on note parfois X Y ) si x X(Ω), y Y (Ω), P(X = x, Y = y) = P(X = x)p(y = y). En clair ceci signie que les évènements relatifs à X sont indépendants des évènements relatifs à Y. 5
6 Remarque. Dans ce cas particulier, et seulement dans ce cas, la donnée des lois de X et de Y permet de calculer la loi du couple (X, Y ). Fil Bleu Les v.a. X et Y sont-elles indépendantes? Par exemple P(X = 2, Y = 2) = 6 P(X = 2)P(Y = 2) = donc X et Y ne sont pas indépendantes. Ou encore plus simple : P(X = 2, Y = ) = 0 alors que P(X = 2) 0 et P(Y = ) 0. Proposition 9. X et Y sont indépendantes : ssi pour tout x, la loi de Y sachant {X = x} est égale à la loi de Y. ssi pour tout y, la loi de X sachant {Y = y} est égale à la loi de X. Théorème 2. Si X et Y sont indépendantes alors (i) E X(Ω), F Y (Ω), P(X E, Y F ) = P(X E)P(Y F ), (ii) u : R R, v : R R, les variables u(x) et v(y ) sont indépendantes. Démonstration. (i) Si X Y alors P(X E, Y F ) = P(X = x, Y = y) x E y F = P(X = x)p(y = y) x E y F ( ) ( ) = P(X = x) P(Y = y) x E = P(X E)P(Y F ) (ii) Pour a u(x)(ω) et b v(y )(Ω), en prenant E = {x X(Ω) : u(x) = a} et F = {y Y (Ω) : u(y) = b} on a : y F P(u(X) = a, v(y ) = b) = P(X E, Y F ) == P(X E)P(Y F ) = P(u(X) = a)p(v(y ) = b) Proposition 0. Deux évènements A et B sont indépendants si et seulement si A et B sont des v.a. indépendantes. Démonstration. Ceci découle du fait que { A = } = A et { B = } = B. Proposition. Si X et Y sont indépendantes alors E(XY ) = E(X)E(Y ). La réciproque est fausse. 6
7 Démonstration. On a E(XY ) = xyp(x = x, Y = y) x y = xyp(x = x)p(y = y) x y ( ) ( ) = xp(x = x) yp(y = y) x = E(X)E(Y ) Pour la réciproque fausse, nous verrons un contre-exemple en TD. Proposition 2. Si X et Y sont indépendantes alors () Cov(X, Y ) = 0 (deux variables indépendantes sont non corrélées). (2) Var(X + Y ) = Var(X) + Var(Y ) (les variances s'additionnent). ATTENTION! La réciproque est bien sûr fausse (contre-exemple en TD). L'indépendance est une condition bien plus forte que d'avoir seulement une covariance nulle. y 2 Généralisation des couples : les familles de n variables 2. Extensions On étend ici au cas de n variables certaines des notions et résultats donnés pour le couples. On considère donc X, X 2,..., X n des variables dénies sur un même univers Ω. On ne s'attardera pas sur les preuves, celles-ci ne présentant pas de diculté supplémentaire par rapport au cas n = 2. Proposition 3. On a E(X + X 2 + X n ) = E(X ) + E(X 2 ) + + E(X n ) Remarque. La généralisation de la formule pour la somme d'une variance donne pour n variables : Var(X +X 2 +X n ) = Var(X )+Var(X 2 )+ +Var(X n )+2 i<j Cov(X i, X j ) Dénition 7. Les variables X, X 2,..., X n sont dites mutuellement indépendantes si x X (Ω), x 2 X (Ω),..., x n X n (Ω), P(X = x, X 2 = x 2,..., X n = x n ) = P(X = x )P(X 2 = x 2 )... P(X n = x n ). 7
8 Proposition 4. Si X,..., X n sont mutuellement indépendantes alors Var(X + X 2 + X n ) = Var(X ) + Var(X 2 ) + + Var(X n ) Proposition 5. (i) Soient X,..., X n mutuellement indépendantes et m n. Alors les variables X,..., X m sont mutuellement indépendantes. (ii) Soient X,..., X n, X n+,..., X n+p mutuellement indépendantes et u : R n R, v : R p R deux fonctions. Alors les variables u(x,..., X n ) et v(x n+,..., X n+p ) sont indépendantes. Notamment si A et B sont deux évènements tels que A dépend uniquement de (X,..., X n ) et B uniquement de (X n+,..., X n+p ) alors A et B sont indépendants. (iii) Soient X,..., X n mutuellement indépendantes et u, u 2,..., u n : R R des fonctions. Alors les variables u(x ),... u(x n ) sont indépendantes. 2.2 Variance de la loi binomiale n o Dans le schéma binomial où on fait n tentatives indépendantes d'une expérience qui a une probabilité p xée de réussir, il est commode de considérer {, si on a un succès à la i-ème tentative, X i = 0, si on a un échec à la i-ème tentative, Les variables X i sont par hypothèse indépendantes mutuellement et de loi commune B(p). La variable qui compte le nombre de succès parmi les n tentatives est X = X + X X n. Les variables X i étant de loi B(p) on connaît leur espérance et leur variance : E(X i ) = p, Var(X i ) = p( p). Par conséquent on retrouve facilement l'espérance et la variance d'une variable de loi B(n, p) : Théorème 3. Si X B(n, p) alors E(X) = np, Var(X) = np( p). Au vu de l'interprétation de la loi de Bernoulli donnée ci-dessus, le résultat suivant n'est pas étonnant : Proposition 6. Soient X et Y indépendantes telles que X B(m, p) et Y B(n, p). Alors X + Y B(m + n, p). 8
9 Démonstration. On calcule pour k [0, n + m] : P(X + Y = k) = = k P(X = i, Y = k i) i=0 k P(X = i)p(y = k i) i=0 par indépendance k ( ) ( ) m n = p i ( p) m i p k i ( p) n k+i i k i i=0 k ( )( ) m n = p k ( p) m+n k i k i i=0 = p k ( p) m+n k ( m + n k ) par la formule de Vandermonde. 9
Couples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailEI - EXERCICES DE PROBABILITES CORRIGES
EI 1 EI - EXERCICES DE PROBABILITES CORRIGES Notations 1 Les coefficients du binôme sont notés ( n p 2 Un arrangement de n objets pris p à p est noté A p n 3 Si A est un ensemble fini, on notera A ou card
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détail1.1 Codage de source et test d hypothèse
Théorie de l information et codage 200/20 Cours 8février20 Enseignant: Marc Lelarge Scribe: Marc Lelarge Pour information Page webdu cours http://www.di.ens.fr/~lelarge/info.html Notations Pour des variables
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
Plus en détailProbabilités et Statistique
Ricco Rakotomalala Probabilités et Statistique Notes de cours Université Lumière Lyon 2 Avant-propos Ce document est un support de cours pour les enseignements des probabilités et de la statistique. Il
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailDENOMBREMENT-COMBINATOIRE-PROBABILITES GENERALES
BTS GPN ERE ANNEE-MATHEMATIQUES-DENOMBREMENT-COMBINATOIRE-EXERCICE DE SYNTHESE EXERCICE RECAPITULATIF (DE SYNTHESE) CORRIGE Le jeu au poker fermé DENOMBREMENT-COMBINATOIRE-PROBABILITES GENERALES On joue
Plus en détailP1 : Corrigés des exercices
P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détail6 Equations du première ordre
6 Equations u première orre 6.1 Equations linéaires Consiérons l équation a k (x) k u = b(x), (6.1) où a 1,...,a n,b sont es fonctions continûment ifférentiables sur R. Soit D un ouvert e R et u : D R
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailUNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES. Éric TÉROUANNE 1
33 Math. Inf. Sci. hum., (33 e année, n 130, 1995, pp.33-42) UNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES Éric TÉROUANNE 1 RÉSUMÉ Le stéréogramme de liaison est
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
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 détail2. RAPPEL DES TECHNIQUES DE CALCUL DANS R
2. RAPPEL DES TECHNIQUES DE CALCUL DANS R Dans la mesure où les résultats de ce chapitre devraient normalement être bien connus, il n'est rappelé que les formules les plus intéressantes; les justications
Plus en détail9 5 2 5 Espaces probabilisés
BCPST2 9 5 2 5 Espaces probabilisés I Mise en place du cadre A) Tribu Soit Ω un ensemble. On dit qu'un sous ensemble T de P(Ω) est une tribu si et seulement si : Ω T. T est stable par complémentaire, c'est-à-dire
Plus en détailSEANCE 4 : MECANIQUE THEOREMES FONDAMENTAUX
SEANCE 4 : MECANIQUE THEOREMES FONDAMENTAUX 1. EXPERIENCE 1 : APPLICATION DE LA LOI FONDAMENTALE DE LA DYNAMIQUE a) On incline d un angle α la table à digitaliser (deuxième ou troisième cran de la table).
Plus en détailProcessus Stochastiques
Processus Stochastiques Olivier Scaillet University of Geneva and Swiss Finance Institute Outline 1 Introduction 2 Chaînes de Markov 3 Application en assurance 4 Application en nance Processus Stochastique
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailRéalisabilité et extraction de programmes
Mercredi 9 mars 2005 Extraction de programme: qu'est-ce que c'est? Extraire à partir d'une preuve un entier x N tel que A(x). π x N A(x) (un témoin) (En fait, on n'extrait pas un entier, mais un programme
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailStratégie optimale de stockage de déchets à vie longue
Stratégie optimale de stockage de déchets à vie longue Bertrand Villeneuve Université Paris-Dauphine bertrand.villeneuve@dauphine.fr 3 octobre 211 Ce texte présente des calculs théoriques et indications
Plus en détailChapitre 1. Une porte doit être ouverte et fermée. 1.1 Les enjeux de l'informatique quantique
Chapitre Une porte doit être ouverte et fermée Crois et tu comprendras ; la foi précède, l'intelligence suit. Saint Augustin. Les enjeux de l'informatique quantique La puissance de calcul des ordinateurs
Plus en détailProbabilités-énoncés et corrections
2012-2013 Probabilités-énoncés et corrections Exercice 1. Une entreprise décide de classer 20 personnes susceptibles d'être embauchées ; leurs CV étant très proches, le patron décide de recourir au hasard
Plus en détailNOTES DE COURS STT1700. Introduction à la statistique. David Haziza
NOTES DE COURS STT1700 Introduction à la statistique David Haziza Automne 008 Qu est ce que la statistique? La statistique est la science dont le but est de donner un sens aux données. L étude statistique
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
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 détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailIntégrales doubles et triples - M
Intégrales s et - fournie@mip.ups-tlse.fr 1/27 - Intégrales (rappel) Rappels Approximation éfinition : Intégrale définie Soit f définie continue sur I = [a, b] telle que f (x) > 3 2.5 2 1.5 1.5.5 1 1.5
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailCentre d'etudes Nucléaires de Fontenay-aux-Roses Direction des Piles Atomiques Département des Etudes de Piles
CEA-N-1195 Note CEA-N-1195 Centre d'etudes Nucléaires de Fontenay-aux-Roses Direction des Piles Atomiques Département des Etudes de Piles Service d'etudes de Protections de Piles PROPAGATION DES NEUTRONS
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailConstruction de l'intégrale de Lebesgue
Université d'artois Faculté des ciences Jean Perrin Mesure et Intégration (Licence 3 Mathématiques-Informatique) Daniel Li Construction de l'intégrale de Lebesgue 10 février 2011 La construction de l'intégrale
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailENSIIE. Macroéconomie - Chapitre I
ENSIIE Macroéconomie - Chapitre I Le 13 avril 2013 Table des matières 1 Introduction 2 2 La théorie Keynésienne 3 2.1 Keynes......................................... 3 2.2 Quelques ordres de grandeur.............................
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailProblème : Calcul d'échéanciers de prêt bancaire (15 pt)
Problème : Calcul d'échéanciers de prêt bancaire (15 pt) 1 Principe d'un prêt bancaire et dénitions Lorsque vous empruntez de l'argent dans une banque, cet argent (appelé capital) vous est loué. Chaque
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Plus en détailProbabilités conditionnelles Loi binomiale
Fiche BAC ES 05 Terminale ES Probabilités conditionnelles Loi binomiale Cette fiche sera complétée au fur et à mesure Exercice n 1. BAC ES. Centres étrangers 2012. [RÉSOLU] Un sondage a été effectué auprès
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailStatistiques du nombre de cycles d'une permutation
Statistiques du nombre de cycles d'une permutation Xavier Caruso et Igor Kortchemski Mai 200 Résumé Le but de ce texte est d'étudier certaines propriétés statistiques du nombre de cycles d'une permutation
Plus en détail