Support du cours de Probabilités IUT d Orléans, Département d informatique

Dimension: px
Commencer à balayer dès la page:

Download "Support du cours de Probabilités IUT d Orléans, Département d informatique"

Transcription

1 Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau

2

3 Introduction La théorie des probabilités a pour objectif de modéliser des expériences où plusieurs issues sont possibles, mais où leur réalisation n est pas déterminée à l avance (par exemple un lancé de dés), ceci en vue d évaluer les risques ou de mettre sur pieds des stratégies pour faire face aux aléas. La théorie des probabilités ne va pas permettre de prédire quelle issue va se réaliser, mais quelle chance a chaque issue de se réaliser. La théorie des probabilités et par extension les statistiques a des applications dans de nombreux domaines : 1. La biologie et la médecine : repérage de séquences ADN, tests de médicaments, évaluation du risque de propagation de virus La finance (Les banques) : évaluation de produits financiers (options...), maîtrise des risques liés à des investissements Industries : aéronautique, automobile, chimie Economie : prévision de croissance, sondages, contrôle de gestion Les jeux : Loto, Casinos... Tous ces champs d applications sont en lien étroit avec l informatique : développement et utilisation de logiciels de simulations et de logiciels de traitements statistiques, base de données... Fig. 1 Courbes de fluctuations de deux indices boursiers - Aléatoires? 1

4 2

5 Table des matières Introduction 1 1 Evènements Probabilité et Variables aléatoires L espace des issues, l ensemble des évènements Définition et Propriétés d une probabilité Variables Aléatoires Discrètes Indépendance et probabilités conditionnelles Indépendance Probabilités conditionnelles Variables Aléatoires Discrètes - Moyenne - Variance Espérance (Moyenne) d une variable aléatoire discrète La Variance et la Covariance Lois classiques Fonction génératrice Variables Aléatoires Continues Définition d une variable aléatoire absolument continue Espérance et variance Variables aléatoires continues usuelles Théorèmes limites Introduction Loi des grands nombres Théorème de la limite centrale

6 4

7 Chapitre 1 Evènements Probabilité et Variables aléatoires Dans un premier temps, on va associer à chaque issue possible un nombre entre 0 et 1 qui traduit notre estimation des chances que cette issue a de se réaliser : on appelle ce nombre la probabilité de cette issue. On appelle évènement un ensemble d issues. La probabilité qu on associe à un évènement est la somme des probabilités de chaque issue de cet ensemble. Typiquement, la question est de déterminer la probabilité d un évènement, et la difficulté est d une part de décrire l expérience de façon commode afin d énumérer toutes les issues possibles et leur probabilité respective, et d autre part de décomposer l évènement considéré en issues. 1.1 L espace des issues, l ensemble des évènements Avant de calculer les probabilités d évènements, il faut définir l espace des issues de façon commode et complète. Cet espace comprendra toutes les issues possibles du jeu, ou de l expérience aléatoire que l on considère, même éventuellement celles qui ne nous intéressent pas, a priori. Dans chaque situation, l espace des issues sera noté Ω (grand omega), alors que les issues seront notées ω (petit omega). Exemple On considère un dé à 6 faces, numérotées de 1 à 6. On suppose que le dé est équilibré, ce qui veut dire que les 6 faces ont la même chance de sortir. L ensemble Ω des issues possibles d un lancer est Ω = {1, 2, 3, 4, 5, 6}. Une issue possible est {3} c est à dire la face 3 sort. Un événement est par exemple On obtient un nombre pair que l on peut écrire {2, 4, 6}. Exemple On considère le même dé, sauf que sur la sixième face, le nombre 6 a été remplacé par 5. Il y a donc deux faces où 5 est inscrit. L ensemble des issues est ici Ω = {1, 2, 3, 4, 5}. L événement on obtient un nombre pair s écrit {2, 4}. On considère des expériences avec un nombre fini ou dénombrable d issues. On note Ω cet ensemble d issues et F l ensemble des événements. F est l ensemble des parties de Ω. 5

8 Exemple Si Ω = {1, 2, 3}, alors, où est l ensemble vide. F = {, {1}, {2}, {3}, {1, 2}, {2, 3}, {1, 3}, {1, 2, 3}} Exemple Considérons l exemple 1.1.1, un événement est par exemple : {On obtient un nombre pair}, que l on peut aussi écrire de la façon suivante {2, 4, 6}. Pouvez-vous déterminer F? En théorie des probabilités on a souvent besoin de ramener le calcul de la probabilité d un évènement au calcul de la probabilité de l union ou de l intersection d événements plus élémentaires, on introduit donc les notations suivantes : Si A et B sont deux sous-ensembles de Ω, on note A B = {ω; ω A ou ω B} : A ou B se réalise A B = {ω; ω A et ω B} : A et B se réalisent A B = {ω; ω A et ω / B} : A se réalise mais pas B Ā = Ω A l évènement A ne se réalise pas. Deux évènements A et B de F sont disjoints s ils n ont aucune issue en commun, c est à dire que A B =. Par exemple, A et Ā sont disjoints, ainsi que et A. Exemple Prenons l exemple 1.1.1, soit A = {2, 4, 6}, B = {5, 6}, C = {3}, on a : 1. A B = {2, 4, 5, 6} 2. A B = {6} 3. A C = 4. Ā = {1, 3, 5}, Ā correspond à l évènement on obtient un nombre impair. 5. A B = {2, 4} on remarque que A \ B = A B. Effectuer une analyse similaire pour l exemple Remarque Lorsque l on écrit l évènement A on obtient un nombre pair sous la forme {2, 4, 6} il est sous-entendu que les, sont des ou, on peut également écrire A = {2} {4} {6}. 1.2 Définition et Propriétés d une probabilité On commence par définir ce qu est une probabilité : Definition Une probabilité P sur Ω est une fonction de F dans l intervalle [0, 1] telle que 1. P (Ω) = 1, 2. Si (A i ) i I est une famille finie ou dénombrable d événements deux à deux disjoints (i.e. A i A j = si i j), alors P ( i I A i ) = i I P (A i ) (1.1) 6

9 De cette définition, découlent les propriétés fondamentales suivantes : Proposition P ( ) = Pour tout événement A, P (A) + P (Ā) = Pour tous événements quelconques A et B, P (A B) = P (A) + P (B) P (A B). 4. Si A et B sont deux événements tels que A B alors P (A) P (B). Exemple Reprenons l exemple 1.1.1, étant donné que le dé est équilibré on pense pour ce cas à une probabilité comme à une fonction p sur Ω, telle que p(1) p(6) = 1 et on associe à chaque issue la probabilité 1/6. En utilisant le second point de la définition d une probabilité on calcule facilement la probabilité de l évènement A = on obtient un nombre pair. En effet A = {2} {4} {6}, les 3 issues qui composent A étant 2 à 2 disjointes 1, P (A) = P (2) + P (4) + P (6) = 1/6 + 1/6 + 1/6 = 1/2. Si on veut maintenant calculer la probabilité de l évènement obtenir un nombre impair, on peut utiliser le petit 4. de l exemple et la propriété 2. de la Proposition Pour l exemple 1.1.2, comme le dé est équilibré, les faces 1, 2, 3 et 4 ont chacune la probabilité 1/6 de sortir, alors que P (5) = 2/6. Quelle est la probabilité qu un nombre pair sorte? L exemple suivant a pour but de manipuler la propriété 3. de la Proposition Exemple Toujours sur l exemple 1.1.1, soit A = {2, 4, 6}, B = {5, 6}, C = {3}, calculons de deux façon différentes : 1. On se rappelle du 1. de l exemple et on a donc P (A B) = P ({2, 4, 5, 6}) et comme chacun des évènements {2}, {4}, {5} et {6} sont deux à deux disjoints P (A B) = P (2) + P (4) + P (5) + P (6) = 4/6 = 2/3. 2. On utilise la propriété 3. de la Proposition On a vu dans l exemple précédent que P (A) = 1/2, il est facile de voir que P (B) = 1/6 + 1/6 = 1/3 et que d aprés le petit 2. de l Exemple 1.1.5, A B = {6} et donc que P (A B) = 1/6. Ainsi on obtient P (A B) = P (A) + P (B) P (A B) = 1/2 + 1/3 1/6 = 2/ Variables Aléatoires Discrètes Définition et Notations Definition Une fonction sur Ω à valeurs réelles est appelée variable aléatoire. Notation Les variables aléatoires seront notées par des lettres majuscules, X, Y,... Les valeurs qu elles prennent lorsqu une issue ω se réalise sont notées par des lettres minuscules. Par exemple on pourra écrire x à la place de X(ω). 1 en effet on ne peut obtenir qu un unique chiffre lors d un lancé! 7

10 Exemple Donnons un premier exemple élémentaire de variable aléatoire. Une variable de Bernoulli de paramètre p [0, 1] est une variable aléatoire qui prend soit la valeur 0 avec une probabilité 1 p soit la valeur 1 avec une probabilité p, on l utilise souvent pour décrire une expérience aléatoire ayant 2 issues possibles. Un autre exemple, que l on reprendra en détail en TD, on considère le jeté de deux dés simultanément. On peut définir une variable aléatoire qui est égale à la somme des deux dés Loi d une variable aléatoire Definition Soit P une probabilité sur un espace des issues Ω. Soit X une variable aléatoire définie sur Ω. Lorsqu à chaque valeur x i (1 i n) de X on associe les probabilités p i de l événement X = x i, on dit que l on définit la loi de probabilité P X de la variable aléatoire X. Remarque Pour connaître la loi d une variable aléatoire, il faut connaître l ensemble de ses valeurs possibles et la probabilité avec laquelle elle réalise chaque valeur. Exemple Une variable de Bernoulli X de paramètre p a pour loi : Valeur de X x i 0 1 p i P (X = x i ) 1-p p où p est compris entre 0 et 1. Ce tableau se lit de la façon suivante : p 0 P (X = 0) = p et p 1 P (X = 1) = 1 p. Par convention on notera X B(p) lorsque X suit une loi de Bernoulli. On remarque que si p = 1 alors X est constante égale à 0. Prenons maintenant un exemple un peu plus compliqué, Exemple on considère 2 jetés successifs d une pièce de monnaie équilibrée. On définit une variable aléatoire X qui compte le nombre de face que l on a obtenu. Sur deux lancés de pièces X peut prendre soit la valeur 0 qui correspond à l évènement la pièce n est jamais tombé sur face, soit la valeur 1 qui correspond au cas où la pièce est tombé une fois sur face soit la valeur 2 si on obtient deux fois face. Etant donné que la pièce est équilibrée on obtient pour X la loi suivante : x i P (X = x i ) 1/4 1/2 1/4 On remarque bien entendu que P (X = 0) + P (X = 1) + P (X = 2) p 0 + p 1 + p 2 = 1. Remarque Bien que très élementaire ce dernier exemple sous entend l indépendance des deux lancés. La notion d indépendance qui est intuitive ici sera explicité dans le chapitre suivant. On pourrait par exemple supposer que l on lance une seconde fois la pièce que si on a obtenu face au premier coup, les deux lancés ne sont alors plus indépendants et la loi de X est donnée par : x i P (X = x i ) 1/2 1/4 1/4 8

11 1.3.3 Fonction de répartition Proposition La loi d une variable aléatoire X est caractérisée par sa fonction de répartition F X définie par : F X : R [0, 1] x P (X x) Remarque F X est par définition une fonction en escalier, qui est constante entre deux valeurs successives prises par la variable aléatoire X et qui fait un saut en chacune de ses valeurs. On retrouve donc sur le graphe de F X d une part les valeurs prises par X ainsi que les probabilités d obtenir les valeurs. Il est équivalent de connaître la loi de X ou sa fonction de répartition. Exemple Reprenons l exemple 1.3.6, la fonction de répartition de X est donnée par le graphe suivant : F X (x) 1 3/4 P(X=2) 1/4 P(X=1) P(X=0) x Fig. 1.1 Fonction de répartition pour l Exemple Fonction indicatrice On définit dans ce paragraphe la fonction indicatrice, et on donne quelques propriétés. Definition La fonction indicatrice notée 1 A d un événement A Ω, est la variable aléatoire donnée par 1 A : Ω {0, 1} { 1 si ω A w 0 si ω / A Proposition Pour tout A Ω et B Ω, on a : 9

12 1. 1 A B = 1 A 1 B, 2. Si A B = alors 1 A B = 1 A + 1 B, 3. 1 Ā = 1 1 A. Remarque La fonction indicatrice 1 A est une variable aléatoire de Bernoulli de paramètre p = P (A). 10

13 Chapitre 2 Indépendance et probabilités conditionnelles 2.1 Indépendance Cas de deux évènements ou deux variables aléatoires On commence par donner la définition de deux événements indépendants : Definition Deux événements A et B sont indépendants si et seulement si P (A B) = P (A)P (B). (2.1) Exemple On s intéresse à deux lancés d un dé. On suppose que ces deux lancés sont indépendants, c est à dire que le résultat du lancé du premier dé n a aucune influence sur le lancé du second dé. Ainsi les événements A = {On obtient 2 au premier lancé} et par exemple B = {On obtient 5 au second lancés} sont indépendants. En terme de probabilité cela se traduit par : P (A B) = P (A)P (B) = (1 \ 6) (1 \ 6). (2.2) On définit maintenant l indépendance pour deux variables aléatoires : Definition Deux variables aléatoires X : Ω {x 1,, x M, } et Y : Ω {y 1,, x N, } sont indépendantes si pour tous i et j, P (X = x i, Y = y j ) = P (X = x i )P (Y = y j ). (2.3) Exemple On s intéresse à deux variables aléatoires de Bernoulli : X 1 de paramètre p et X 2 de paramètre q. On suppose que X 1 et X 2 sont indépendantes. Le couple (X 1, X 2 ) peut prendre les valeurs (0, 0) ; (0, 1), (1, 0) et (1, 1). Par indépendance on a P ((0, 0)) P (X 1 = 0, X 2 = 0) = P (X 1 = 0)P (X 2 = 0) = (1 p) (1 q). (2.4) 11

14 Maintenant définissons la variable aléatoire Y = X 1 +X 2, on peut calculer la probabilité P (Y = 0) de la façon suivante : On remarque que l événement {Y = 0} = {X 1 = 0, X 2 = 0} on en déduit donc, d après ce qui précède que P (Y = 0) = (1 p) (1 q). Pouvez vous calculer P (Y = 1) et P (Y = 2)? Remarque Dans l exemple précédent si on suppose de plus que q = p, la variable Y est connue sous le nom de variable Binomiale de paramètres p et 2 correspondant au fait que l on a sommé 2 variables de Bernoulli de même paramètre p indépendantes pour obtenir Y. Nous reviendrons sur les variables Binomiales dans le chapitre suivant Cas d un nombre fini d évènements ou variables aléatoires On généralise la notion d indépendance à un nombre fini d évènements et de variables aléatoires : Definition Les événements {A 1, A 2,, A n } sont indépendants si et seulement si pour tout ensemble d indices I {1,, n} ( ) P A i = P (A i ), (2.5) i I i I on rappelle que si I = {i 1,, i k }, j I P (A j) P (A i1 ) P (A i2 ) P (A ik ). Exemple Si on a un ensemble de 3 évènements A 1, A 2 et A 3, ils sont indépendants si et seulement si : P (A 1 A 2 A 3 ) = P (A 1 )P (A 2 )P (A 3 ), (2.6) P (A 1 A 2 ) = P (A 1 )P (A 2 ), (2.7) P (A 1 A 3 ) = P (A 1 )P (A 3 ), (2.8) P (A 2 A 3 ) = P (A 2 )P (A 3 ). (2.9) Réciproquement, si on lance 3 fois successivement et indépendamment une pièce de monnaie et que l on souhaite calculer la probabilité de l événement {P, F, P } {on obtient Pile au premier lancé,face au second et Pile au dernier}, par indépendance on a : Quelle est la probabilité que l on obtienne 2 fois Pile? Indépendance pour une suite de variables aléatoires : P ({P, F, P }) = P (P )P (F )P (P ) = 1/8. (2.10) Definition Les variables aléatoires {X 1, X 2,, X n } sont indépendantes si pour tout ensemble d indices I {1,, n} et tous réels x i appartenant aux valeurs possibles de X i, (i I) : ( ) P {X i = x i } = P (X i = x i ). (2.11) i I i I 12

15 Exemple Supposons que pour tout 1 i 8, X i suit une loi de Bernoulli de paramètre p et supposons que la suite {X 1, X 2,, X 8 } soit indépendante, soit I = {1, 3, 6, 8} on a ( ) P {X i = 1} P (X 1 = 1, X 3 = 1, X 6 = 1, X 8 = 1) i I = P (X 1 = 1) P (X 3 = 1) P (X 6 = 1) P (X 8 = 1) = p 4. (2.12) Soit I = {1, 3} et J = {5, 6} on a ( P i = 1} i I{X ) {X j = 0} j I P (X 1 = 1, X 3 = 1, X 5 = 1, X 6 = 1) = P (X 1 = 1) P (X 3 = 1) P (X 5 = 0) P (X 6 = 0) = p 2 (1 p) 2. (2.13) On termine ce paragraphe par le résultat suivant : Proposition Soient X et Y deux variables aléatoires indépendantes. Si f et g : R R sont deux fonctions quelconques, alors f(x) et f(y ) sont indépendantes. 2.2 Probabilités conditionnelles Définitions et propriétés On commence par une définition Definition Soient A et B deux événements avec P (B) > 0. La probabilité conditionnelle de A sachant B est donnée par P (A B) = P (A B). P (B) On dit que P (A B) est la probabilité de A sachant B. Exemple On reprend ici l exemple de la Remarque On effectue 2 lancés d une pièce de monnaie mais avec la règle suivante : on ne relance la pièce que si l on a obtenu face au premier lancé. Il est intuitif que si l on obtient face au premier lancé alors on obtient face au second avec une probabilité 1/2. Notons A = {On obtient Face au second lancé} et B = {On obtient face au premier lancé}. On remarque que P (A) = P (A B)+P (A B) = P (A B) =1/4 de plus P (B) = 1/2 d où P (A B) = P (A B) P (B) = 1/2. (2.14) On donne maintenant le résultat suivant que l on vérifie ensuite sur un exemple simple : 13

16 Proposition Soient A et B deux événements indépendants et tel que P (B) > 0, alors P (A B) = P (A) (2.15) Exemple On utilise les mêmes notations que pour l exemple précédent. Si on s intéresse à deux lancés indépendants d une pièce de monnaie, indépendant signifiant que quel que soit le résultat du premier lancé on lance une seconde fois la pièce, on a donc P (A) = P (B) = 1/2 de plus P (A B) = 1/4, ainsi On a donc bien P (B A) = P (B). P (A B) = P (A B) P (B) = 1/2. (2.16) Probabilité totale et Théorème de Bayes Comme nous l avons déjà mentionné au début de ce cours il est parfois utile de décomposer un événement en sous ensemble d évènements élémentaires afin d en calculer la probabilité avec plus de facilité. La proposition suivante va dans ce sens. On commence par donner la définition d une partition de Ω Definition On appellera partition de Ω toute suite (A i, i I) vérifiant A i A j = φ pour tout i j et i I P (A i) = 1. Proposition Formule des probabilités totales. Soit (A i, i I) une partition finie ou dénombrable de Ω, telle que pour tout i, P (A i ) > 0. Pour tout événement B Ω, P (B) = i I P (B A i )P (A i ). (2.17) Exemple Supposons qu on dispose de deux urnes contenant des boules blanches et noires. La première urne contient 100 boules, dont 99 blanches. La deuxième urne contient 100 boules, dont 10 blanches. Un jeu consiste à choisir une urne au hasard et à tirer une boule dans cette urne. Notons B l événement On a tiré une boule blanche, on va donner une partition de cet évènement. Soient A 1 = {On a tiré dans la première urne} et A 2 = {On a tiré dans la deuxième urne}, on a Ω = A 1 A 2 de plus A 1 A 2 = φ, on peut donc écrire que B = B A 1 B A 2, et ainsi P (B) = P (B A 1 ) + P (B A 2 ) = P (B A 1 )P (A 1 ) + P (B A 2 )P (A 2 ). Il est facile de voir que P (A 1 ) = 1/2 et P (A 2 ) = 1/2, de plus P (B A 1 ) = 99/100 et P (B A 2 ) = 1/10. On en déduit donc que P (B) = 109/200. Proposition Formule de Bayes. Soit (A i, i I) une partition finie ou dénombrable de Ω, et soit B tel que P (B) > 0. Pour tout i, on a P (A i B) = P (A i )P (B A i ) j I P (B A j)p (A j ). (2.18) 14

17 Exemple On reprend l exercice précédent, et l on cherche à calculer P (A 1 B), par la formule de Bayes on a : P (A 1 B) = P (A 1 ) P (B A 1 ) P (B A 1 )P (A 1 ) + P (B A 2 )P (A 2 ) D après l exemple précédent P (B) = 109/200 et P (B A 1 ) = 99/100, on en déduit P (A 1 B) = 99/

18 16

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique Support du cours de Probabilités et Statistiques IUT d Orléans, Département informatique Pierre Andreoletti IUT d Orléans, Département Informatique Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences)

Plus en détail

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples 36 Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples (Ω, B, P est un espace probabilisé. 36.1 Définition et propriétés des probabilités conditionnelles Définition 36.1

Plus en détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités 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 détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

PROBABILITÉS. I) Introduction, aperçu historique. Loi de probabilité

PROBABILITÉS. I) Introduction, aperçu historique. Loi de probabilité Table des matières PROBABILITÉS Résumé de cours I) Introduction, aperçu historique 1 II) Loi de probabilité 1 III)Probabilité d évènement 2 1. Le vocabulaire des probabilités................................

Plus en détail

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2

Probabilités. 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 détail

Qu est-ce qu une probabilité?

Qu est-ce qu une probabilité? Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont

Plus en détail

Chapitre I. Probabilités. Bcpst 1 2 novembre 2015. I Exemples d expériences aléatoires

Chapitre I. Probabilités. Bcpst 1 2 novembre 2015. I Exemples d expériences aléatoires Chapitre I Probabilités Bcpst 1 2 novembre 2015 I Exemples d expériences aléatoires Une expérience aléatoire est une expérience dont on ne peut pas prédire le résultat avant de l avoir réalisée... ce qui

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

COUPLES DE VARIABLES ALÉATOIRES CHAPITRE 13 COUPLES DE VARIABLES ALÉATOIRES Dans tout le chapitre, (Ω, P) désignera un espace probabilisé fini. 1 Couple de variables aléatoires Définition 13.1 On appelle couple de variables aléatoires

Plus en détail

Couples de variables aléatoires discrètes

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 détail

Chapitre 8 : Probabilités-Indépendance

Chapitre 8 : Probabilités-Indépendance Cours de mathématiques Terminale S Chapitre 8 : Probabilités-Indépendance Année scolaire 008-009 mise à jour 6 janvier 009 Fig. Andreï Kolmogorov Un précurseur de la formalisation de la théorie des probabilités

Plus en détail

Calculs de probabilités

Calculs de probabilités Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile

Plus en détail

Espace de probabilité, indépendance et probabilité conditionnelle

Espace de probabilité, indépendance et probabilité conditionnelle Chapter 2 Espace de probabilité, indépendance et probabilité conditionnelle Sommaire 2.1 Tribu et événements........................................... 15 2.2 Probabilité................................................

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

Chapitre 5 Les Probablilités

Chapitre 5 Les Probablilités A) Introduction et Définitions 1) Introduction Chapitre 5 Les Probablilités De nombreuses actions provoquent des résultats qui sont dus en partie ou en totalité au hasard. Il est pourtant nécessaire de

Plus en détail

UNIVERSITÉ DE CERGY Année 2013-2014 U.F.R. Économie & Gestion Licence d Économie et Finance / Licence de Gestion MATH201 : Probabilités

UNIVERSITÉ DE CERGY Année 2013-2014 U.F.R. Économie & Gestion Licence d Économie et Finance / Licence de Gestion MATH201 : Probabilités 1 UNIVERSITÉ DE CERGY Année 2013-2014 U.F.R. Économie & Gestion Licence d Économie et Finance / Licence de Gestion MATH201 : Probabilités Chapitre II : Espaces probabilisés 1 Notions d événements 1.1 Expérience

Plus en détail

Probabilités Loi binomiale Exercices corrigés

Probabilités Loi binomiale Exercices corrigés Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre

Plus en détail

Probabilités. Chapitre 2 : Le modèle probabiliste - Indépendance d évènements. Julian Tugaut. 15 janvier 2015

Probabilités. Chapitre 2 : Le modèle probabiliste - Indépendance d évènements. Julian Tugaut. 15 janvier 2015 Indépendance de deux évènements Chapitre 2 : Le modèle probabiliste - Indépendance d évènements 15 janvier 2015 Sommaire 1 Indépendance de deux évènements 2 Indépendance de deux évènements Approche intuitive

Plus en détail

I. Qu est-ce qu une probabilité?

I. Qu est-ce qu une probabilité? I. Qu est-ce qu une probabilité? 1. Première approche : Une probabilité en mathématique est un chiffre compris entre 0 et 1. Ce chiffre représente une évaluation du caractère probable d un événement. Si

Plus en détail

NOTIONS DE PROBABILITÉS

NOTIONS DE PROBABILITÉS NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...

Plus en détail

1. Probabilités élémentaires

1. Probabilités élémentaires 1. Probabilités élémentaires MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: probabilités 1/48 Plan 1. Expériences aléatoires et événements 2. Probabilités 3. Analyse combinatoire

Plus en détail

Probabilités et statistique

Probabilités et statistique Probabilités et statistique Université Paris 1 Panthéon-Sorbonne Cours de deuxième année de licence de sciences économiques Fabrice Rossi Cette œuvre est mise à disposition selon les termes de la licence

Plus en détail

TD 4 : HEC 2001 épreuve II

TD 4 : HEC 2001 épreuve II TD 4 : HEC 200 épreuve II Dans tout le problème, n désigne un entier supérieur ou égal à 2 On dispose de n jetons numérotés de à n On tire, au hasard et sans remise, les jetons un à un La suite (a, a 2,,

Plus en détail

Cours de Probabilités. Jean-Yves DAUXOIS

Cours de Probabilités. Jean-Yves DAUXOIS Cours de Probabilités Jean-Yves DAUXOIS Septembre 2013 Table des matières 1 Introduction au calcul des probabilités 7 1.1 Espace probabilisable et loi de variable aléatoire........ 8 1.1.1 Un exemple

Plus en détail

Lois de probabilité. Anita Burgun

Lois 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 détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

Plus en détail

Probabilité conditionnelle. Probabilités. Probabilité conditionnelle et indépendance. Julian Tugaut

Probabilité conditionnelle. Probabilités. Probabilité conditionnelle et indépendance. Julian Tugaut Probabilité conditionnelle et indépendance Télécom Saint-Étienne 2014 Sommaire 1 Probabilité conditionnelle Notion de probabilité conditionnelle Définition et premières propriétés Théorème de Bayes (ou

Plus en détail

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006 ESSEC M B A CONCOURS D ADMISSION Option économique MATHEMATIQUES III Année 2006 La présentation, la lisibilité, l orthographe, la qualité de la rédaction, la clarté et la précision des raisonnements entreront

Plus en détail

UNIVERSITÉ DE CERGY. LICENCE d ÉCONOMIE et FINANCE LICENCE de GESTION. Seconde année - Semestre 3 PROBABILITÉS. Cours de M. J.

UNIVERSITÉ DE CERGY. LICENCE d ÉCONOMIE et FINANCE LICENCE de GESTION. Seconde année - Semestre 3 PROBABILITÉS. Cours de M. J. Année 2013-2014 UNIVERSIÉ DE CERGY LICENCE d ÉCONOMIE et FINANCE LICENCE de GESION Seconde année - Semestre 3 PROBABILIÉS Cours de M. J. Stéphan ravaux Dirigés de Mme M. Barrié, M. J-M. Chauvet et M. J.

Plus en détail

Chapitre 4 NOTIONS DE PROBABILITÉS

Chapitre 4 NOTIONS DE PROBABILITÉS Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 4 NOTIONS DE PROBABILITÉS Les chapitres précédents donnent des méthodes graphiques et numériques pour caractériser

Plus en détail

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Dénombrement et probabilités Version du juillet 05 Enoncés Exercice - YouTube Sur YouTube, les vidéos sont identifiées à l aide d une chaîne

Plus en détail

Probabilités sur un univers fini

Probabilités 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 détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...

Probabilité. 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 détail

Correction des exemples. Mathieu EMILY

Correction des exemples. Mathieu EMILY Correction des exemples Mathieu EMILY Novembre 2005 Table des Matières Exemple_Exercice 1 Page 2 Exemple_Exercice 2 Page 3 Exemple_Exercice 3 Page 5 Exemple_Exercice 4 Page 6 Exemple_Exercice 5 Page 7

Plus en détail

Les trois sortes de tirages

Les trois sortes de tirages DERNIÈRE IMPRESSION LE 29 juin 2015 à 19:20 Les trois sortes de tirages Introduction Comme nous l avons vu, dans une loi équirépartie, il est nécessaire de dénombrer les cas favorables et les cas possibles.

Plus en détail

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite) Modèles de Markov et bases de données Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale

Plus en détail

Probabilité mathématique et distributions théoriques

Probabilité mathématique et distributions théoriques Probabilité mathématique et distributions théoriques 3 3.1 Notion de probabilité 3.1.1 classique de la probabilité s Une expérience ou une épreuve est dite aléatoire lorsqu on ne peut en prévoir exactement

Plus en détail

les probabilités en Terminale Bac Pro

les probabilités en Terminale Bac Pro les probabilités en Terminale Bac Pro stéphane GARNUNG Domaine Public : http://creativecommons.org/licenses/publicdomain/2.0/fr/ juin 2012 1.0 Table des matières I - Langage probabiliste 3 1. Expérience

Plus en détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

Plus en détail

Cours de Probabilités et de Statistique

Cours de Probabilités et de Statistique Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles

Plus en détail

Supplément théorique Inférence dans les réseaux bayésiens. Rappel théorique. Les processus aléatoires. Les réseaux bayésiens

Supplément théorique Inférence dans les réseaux bayésiens. Rappel théorique. Les processus aléatoires. Les réseaux bayésiens DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2011 Supplément théorique Inférence dans les réseaux bayésiens Rappel théorique Les processus aléatoires La plupart des processus

Plus en détail

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Université d Avignon Fichier dispo sur http://fredericnaud.perso.sfr.fr/ Une étude statistique dans la population montre que le Q.I. est

Plus en détail

Dénombrement, opérations sur les ensembles.

Dénombrement, opérations sur les ensembles. Université Pierre et Marie Curie 2013-2014 Probabilités et statistiques - LM345 Feuille 1 (du 16 au 20 septembre 2013) Dénombrement, opérations sur les ensembles 1 Combien de façons y a-t-il de classer

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au

Plus en détail

Probabilités, cours pour la classe de Terminale STG

Probabilités, cours pour la classe de Terminale STG Probabilités, cours pour la classe de Terminale STG F.Gaudon 16 février 2008 Table des matières 1 Probabilités (rappels) 2 2 Événements 3 3 Calculs de probabilités 4 4 Probabilités conditionnelles 5 4.1

Plus en détail

2 Probabilités conditionnelles. Événements indépendants

2 Probabilités conditionnelles. Événements indépendants 2 Probabilités conditionnelles. Événements indépendants 2.1 Probabilité conditionnelle Soient A et B deux événements tels que P(B) > 0. Soit alors P(A B), la probabilité que A se réalise, B étant réalisé.

Plus en détail

Calculs de probabilités conditionelles

Calculs 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 détail

Exercices : Probabilités

Exercices : Probabilités Exercices : Probabilités Partie : Probabilités Exercice Dans un univers, on donne deux événements et incompatibles tels que =0, et =0,7. Calculer,, et. Exercice Un dé (à faces) est truqué de la façon suivante

Plus en détail

Notes de cours de Probabilités Appliquées. Olivier François

Notes de cours de Probabilités Appliquées. Olivier François Notes de cours de Probabilités Appliquées Olivier François 2 Table des matières 1 Axiomes des probabilités 7 1.1 Introduction................................. 7 1.2 Définitions et notions élémentaires.....................

Plus en détail

Les probabilités. Chapitre 18. Tester ses connaissances

Les probabilités. Chapitre 18. Tester ses connaissances Chapitre 18 Les probabilités OBJECTIFS DU CHAPITRE Calculer la probabilité d événements Tester ses connaissances 1. Expériences aléatoires Voici trois expériences : - Expérience (1) : on lance une pièce

Plus en détail

Peut-on imiter le hasard?

Peut-on imiter le hasard? 168 Nicole Vogel Depuis que statistiques et probabilités ont pris une large place dans les programmes de mathématiques, on nous propose souvent de petites expériences pour tester notre perception du hasard

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Couple de variables aléatoires - Notion d indépendance.

Couple de variables aléatoires - Notion d indépendance. Couple de variables aléatoires - Notion d indépendance. Préparation au Capes - Université Rennes 1 On considère deux variables aléatoires X et Y. On aimerait connaitre s il y a influence entre ces deux

Plus en détail

La mesure de Lebesgue sur la droite réelle

La mesure de Lebesgue sur la droite réelle Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et

Plus en détail

I. Cas de l équiprobabilité

I. Cas de l équiprobabilité I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus

Plus en détail

Variables aléatoires continues

Variables aléatoires continues IUT Aix-en-Provence Année 204-205 DUT Informatique TD Probabilités feuille n 6 Variables aléatoires continues Exercice (La station-service) Dans une station-service, la demande hebdomadaire en essence,

Plus en détail

LEÇON N 5 : 5.1 Probabilité conditionnelle. Pré-requis : Opérations sur les ensembles, cardinaux ; Espaces probabilisés ; Calcul de probabilités.

LEÇON N 5 : 5.1 Probabilité conditionnelle. Pré-requis : Opérations sur les ensembles, cardinaux ; Espaces probabilisés ; Calcul de probabilités. LEÇON N 5 : Probabilité conditionnelle, indépendance de deux événements (on se limitera au cas où l ensemble d épreuves des fini). Applications à des calculs de probabilité. Pré-requis : Opérations sur

Plus en détail

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.

LEÇON 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 détail

Thème 3 : ensembles, espaces de probabilités finis

Thème 3 : ensembles, espaces de probabilités finis Thème 3 : ensembles, espaces de probabilités finis Serge Cohen, Monique Pontier, Pascal J. Thomas Septembre 2004 1 Généralités : ensembles et parties d un ensemble Définition 1.1 On appelle ensemble une

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Théorie et codage de l information

Théorie et codage de l information Théorie et codage de l information Mesure quantitative de l information - Chapitre 2 - Information propre et mutuelle Quantité d information propre d un événement Soit A un événement de probabilité P (A)

Plus en détail

Ch.12 : Loi binomiale

Ch.12 : Loi binomiale 4 e - programme 2007 - mathématiques ch.12 - cours Page 1 sur 5 1 RÉPÉTITION D'EXPÉRIENCES INDÉPENDANTES Lancer plusieurs fois un dé et noter les résultats successifs. Ch.12 : Loi binomiale Prélever des

Plus en détail

+ 1. Qu est ce que cela donne pour notre calcul de 1,01? On pose x = 1,01 donc f (x) 1 + 1 0,01

+ 1. Qu est ce que cela donne pour notre calcul de 1,01? On pose x = 1,01 donc f (x) 1 + 1 0,01 Eo7 Dérivée d une fonction Vidéo partie. Définition Vidéo partie. Calculs Vidéo partie 3. Etremum local, théorème de Rolle Vidéo partie 4. Théorème des accroissements finis Eercices Fonctions dérivables

Plus en détail

2010 My Maths Space Page 1/6

2010 My Maths Space Page 1/6 A. Des statistiques aux probabilités 1. Statistiques descriptives, analyse de données. Vocabulaire des statistiques : Population : c'est l'ensemble étudié. Individu : c'est un élément de la population.

Plus en détail

Loi binomiale Lois normales

Loi 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 détail

Terminologie. La théorie des probabilités fournit des modèles mathématiques permettant l'étude des expériences aléatoires.

Terminologie. La théorie des probabilités fournit des modèles mathématiques permettant l'étude des expériences aléatoires. Probabilités Terminologie Une expérience ou une épreuve est qualiée d'aléatoire si on ne peut pas prévoir son résultat et si, répétée dans des conditions identiques, elle peut donner des résultats diérents.

Plus en détail

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

Plus en détail

Examen d accès - 1 Octobre 2009

Examen d accès - 1 Octobre 2009 Examen d accès - 1 Octobre 2009 Aucun document autorisé - Calculatrice fournie par le centre d examen Ce examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses sont

Plus en détail

Exercices corrigés de probabilités et statistique

Exercices corrigés de probabilités et statistique Exercices corrigés de probabilités et statistique Université Paris 1 Panthéon-Sorbonne Cours de deuxième année de licence de sciences économiques Fabrice Rossi Cette œuvre est mise à disposition selon

Plus en détail

Cours de mathématiques Partie IV Probabilités MPSI 4

Cours de mathématiques Partie IV Probabilités MPSI 4 Lycée Louis-Le-Grand, Paris Année 2013/2014 Cours de mathématiques Partie IV Probabilités MPSI 4 Alain TROESCH Version du: 30 mai 2014 Table des matières 1 Dénombrement 3 I Combinatoire des ensembles

Plus en détail

E G = Définition : La probabilité d'un événement E peut être définie intuitivement par la formule suivante :

E G = Définition : La probabilité d'un événement E peut être définie intuitivement par la formule suivante : 8.1 Notations Notations: : vénement : vénement contraire à : ou (ou les deux), correspond à l union : et, correspond à l intersection U : L univers contient tous les événements possibles xercice 1 : Je

Plus en détail

Relations Binaires Relations d équivalence sur un ensemble

Relations Binaires Relations d équivalence sur un ensemble Relations Binaires Relations d équivalence sur un ensemble MPSI 2 1 Généralités Soit E un ensemble non vide. Définition 1..1 On appelle relation binaire sur E le couple (E, G où G est un graphe de E dans

Plus en détail

Fluctuation d une fréquence selon les échantillons - Probabilités

Fluctuation d une fréquence selon les échantillons - Probabilités Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille

Plus en détail

Cours de DEUG Probabilités et Statistiques. Avner Bar-Hen

Cours de DEUG Probabilités et Statistiques. Avner Bar-Hen Cours de DEUG Probabilités et Statistiques Avner Bar-Hen Université Aix-Marseille III 3 Table des matières Table des matières i Analyse combinatoire 1 1 Arrangements................................ 1 1.1

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz Master Modélisation Statistique M2 Finance - chapitre 1 Gestion optimale de portefeuille, l approche de Markowitz Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté.

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

5 Méthodes algorithmiques

5 Méthodes algorithmiques Cours 5 5 Méthodes algorithmiques Le calcul effectif des lois a posteriori peut s avérer extrêmement difficile. En particulier, la prédictive nécessite des calculs d intégrales parfois multiples qui peuvent

Plus en détail

Leçon 6. Savoir compter

Leçon 6. Savoir compter Leçon 6. Savoir compter Cette leçon est une introduction aux questions de dénombrements. Il s agit, d une part, de compter certains objets mathématiques (éléments, parties, applications,...) et, d autre

Plus en détail

1 Variable aléatoire discrète... 1. 1.1 Rappels... 1. 1.2 Exemple... 2 2 Couples de variables aléatoires... 3. 2.1 Définition... 3

1 Variable aléatoire discrète... 1. 1.1 Rappels... 1. 1.2 Exemple... 2 2 Couples de variables aléatoires... 3. 2.1 Définition... 3 CHAPITRE : LOIS DISCRÈTES Sommaire Variable aléatoire discrète................................... Rappels........................................... Exemple......................................... Couples

Plus en détail

Feuille d exercices 1

Feuille d exercices 1 Université Paris 7 - Denis Diderot L2 - Probabilités PS4 Année 2014-2015 Feuille d exercices 1 Exercice 1 Combien y a-t-il de paires d entiers non consécutifs compris entre 1 et n (n 1)? Exercice 2 1.

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

PROBABILITÉS. I Vocabulaire des événements 2 I.1 Vocabulaire... 2 I.2 Intersection et réunion d événements... 2 I.3 Représentation des évenements...

PROBABILITÉS. I Vocabulaire des événements 2 I.1 Vocabulaire... 2 I.2 Intersection et réunion d événements... 2 I.3 Représentation des évenements... PROBABILITÉS Table des matières I Vocabulaire des événements 2 I.1 Vocabulaire.............................................. 2 I.2 Intersection et réunion d événements................................ 2

Plus en détail

Probabilités. C. Charignon. I Cours 3

Probabilités. 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 détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES 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 détail

Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres

Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres 1 Introduction Le nombre de piles obtenus au cours d une série de n lancers de pile ou face ou plus généralement dans

Plus en détail

UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010. N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES

UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010. N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010 N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES 1 Les énoncés La plupart des phrases que l on rencontre dans un livre

Plus en détail

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique Support du cours de Probabilités et Statistiques IUT d Orléans, Département informatique Pierre Andreoletti IUT d Orléans, Département Informatique Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences)

Plus en détail

II. Eléments des probabilités

II. Eléments des probabilités II. Eléments des probabilités Exercice II.1 Définir en extension l ensemble fondamental Ω des résultats associé à chacune des expériences aléatoires suivantes: 1. jeter une pièce de monnaie et observer

Plus en détail

TD2 Fonctions mesurables Corrigé

TD2 Fonctions mesurables Corrigé Intégration et probabilités 2012-2013 TD2 Fonctions mesurables Corrigé 0 Exercice qui avait été préparé chez soi Exercice 1. Soit (Ω, F, µ) un espace mesuré tel que µ (Ω) = 1. Soient A, B P (Ω) deux sousensembles

Plus en détail

: 3 si x 2 [0; ] 0 sinon

: 3 si x 2 [0; ] 0 sinon Oral HEC 2007 Question de cours : Dé nition d un estimateur ; dé nitions du biais et du risque quadratique d un estimateur. On considère n (n > 2) variables aléatoires réelles indépendantes X 1,..., X

Plus en détail

Probabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12

Probabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12 Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont

Plus en détail