Chap. G2 - Repérage dans le plan : partie 1 Eléments de correction
Eléments de correction. On considère le repère ( P I
1 ES L AP Loi binomiale 2 : Exercice 1
6) P(6 < X < 24). Exercice 2. Une grande enseigne de cosmétiques lance une nouvelle crème hydratante. On considère que le travail sur la viscosité de la
Analyse dimages: Filtrage et segmentation
23 juin 2017 de pixels connexes d'une image désigné sous le terme de région. Ils sont utilisés en segmentation : • par les méthodes markoviennes ou ...
Mécanique des milieux continus
14 mars 2020 p. Ce document est sous licence Creative Commons. Paternité ... Si l'on considère un second repère orthonormé #»e ?.
PROBABILITÉS ET STATISTIQUE INFÉRENTIELLE
On considère la variable aléatoire X = X1 + X2 + . B(n p)
Méthodes et pratiques denquête
L'organisme statistique doit dans ce cas
Mémoire présenté devant lInstitut de Statistique de lUniversité de
Ratio moyen P/I ultime et PSAP totales calculées à partir des triangles des Notons Qij le ratio Pij/Iij qui désigne la part des charges réglées et qj le ...
Le Modèle Linéaire et ses Extensions
14 sept. 2016 construit sur un exemple dans le paragraphe 1.2.2 p. ... Ainsi quel que soit le modèle linéaire considéré et la nature des variables ...
Exercices et problèmes de statistique et probabilités
Variables discrètes. ? Probabilité en un point du domaine pij = P(X = xi Y = yj ). ? Fonction de répartition. F(x
Relativité générale
13 mars 2014 peut être différente de R4 en particulier si l'on considère un ... g? désignant la matrice (g???? )
PROBABILITÉS ET STATISTIQUE INFÉRENTIELLE
DUT TC 2 - Module OS 01
Université du Littoral - Côte d"Opale, La CitadelleLaurent SMOCH
(smoch@lmpa.univ-littoral.fr)Septembre 2016
Laboratoire de Mathématiques Pures et Appliquées Joseph Liouville Université du Littoral, zone universitaire de la Mi-Voix, bâtiment H. Poincaré50, rue F. Buisson, BP 699, F-62228 Calais cedex
tttTable des matières
1 Lois de probabilités discrètes usuelles 1
1.1 Loi et variable de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11.1.2 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11.2 Loi et variable binomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21.2.2 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21.2.3 Somme de deux variables binomiales indépendantes . . . . . . . . . . . . . . . . . . . .
31.2.4 Loi et variable fréquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31.3 Loi et variable multinomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31.3.1 Exemple introductif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31.3.2 Loi trinomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41.3.3 Loi multinomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41.4 Loi et variables hypergéométriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51.4.2 Les moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51.4.3 Limite d"une variable hypergéométrique . . . . . . . . . . . . . . . . . . . . . . . . . .
61.5 Loi et variable de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61.5.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61.5.2 Les moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61.5.3 Somme de deux variables de Poisson indépendantes . . . . . . . . . . . . . . . . . . . .
71.5.4 Limite d"une variable binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71.6 Loi et variable géométriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71.6.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71.6.2 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82 Lois de probabilités continues usuelles 15
2.1 Loi et variable uniformes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
152.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
152.1.2 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
152.1.3 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
162.2 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
172.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
172.2.2 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
172.2.3 Les moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
172.3 Loi de Laplace-Gauss ou loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
182.3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
182.3.2 Représentation graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18 IIITABLE DES MATIÈRES2.3.3 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .19
2.3.4 Variable normale centrée réduite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
192.3.5 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
202.3.6 Table de l"écart réduit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
232.3.7 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
232.3.8 Remarques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
242.3.9 Relation entre la fonction de répartition et la densité de probabilité des loi normale et
loi normale centrée réduite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
242.3.10 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
252.3.11 Somme de deux variables normales indépendantes . . . . . . . . . . . . . . . . . . . . .
252.3.12 Approximation d"une loi binomiale par une loi normale . . . . . . . . . . . . . . . . . .
252.3.13 Résumé sur les approximations de lois . . . . . . . . . . . . . . . . . . . . . . . . . . .
262.4 Loi et variable du2(Khi-deux) de Pearson . . . . . . . . . . . . . . . . . . . . . . . . . . . .26
2.4.1 Distribution du2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .26
2.5 Loi de Student-Fischer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
282.5.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
282.5.2 Courbes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
282.5.3 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
282.5.4 Tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
292.6 Loi de Fischer-Snedecor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
302.6.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
302.6.2 Courbes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
312.6.3 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
322.6.4 Tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
322.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
323 Échantillonnage et estimation 41
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
413.2 Estimation ponctuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
413.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
413.2.2 Estimateur sans biais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
433.3 Estimations pas intervalle de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
463.3.1 Préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
463.3.2 Intervalle de confiance pour une proportion . . . . . . . . . . . . . . . . . . . . . . . .
463.3.3 Intervalle de confiance pour l"espérance . . . . . . . . . . . . . . . . . . . . . . . . . . .
493.3.4 Intervalle de confiance pour la variance . . . . . . . . . . . . . . . . . . . . . . . . . . .
513.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
514 Le test du255
4.1 Les données du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
554.2 Ajustement d"une distribution observée à une distribution théorique . . . . . . . . . . . . . .
554.2.1 Construction du test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
554.3 Comparaison de distributions observées. Test d"indépendance. Test d"homogénéité . . . . . . .
624.3.1 Présentation du test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
624.3.2 Construction du test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
624.3.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
644.4 Comparaison de proportions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
664.4.1 Comparaison d"une proportion observée à une proportion théorique . . . . . . . . . . .
664.4.2 Comparaison de deux proportions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
674.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68Chapitre 1
Lois de probabilités discrètes usuelles
1.1 Loi et variable de Bernoulli
1.1.1 Définition
Soit une épreuve aléatoire comportant deux issues, deux événements élémentaires appelés souventsuccès
etéchecdont les probabilités respectives sontpetqavecp+q= 1.On définit alors
=fS;Eg avecp(S) =petp(E) =q. Soit la variable aléatoireX:7! f0;1gtelle que
X(S) = 1;X(E) = 0
La variableXest appeléevariable de Bernoullidont la loi de probabilité estx i01Total p iqp1 p ixi0pE(X) =pp ix2i0pE(X2) =pOn note cette loi X B(p)Remarque 1.1.1Cette loi ne dépend que d"un paramètrep, la probabilité de succès.1.1.2 Moments
1.Esp érance:
E(X) =p2.V ariance:
V(X) =pp2=p(1p) =pq3.Écart-t ype:
(X) =ppqExemple 1.1.1Un entreprise possède10chaînes de fabricationC1,C2,...,C10. Elle sait qu"une chaîne
possède un problème mais elle ignore laquelle, elle choisit alors une chaîne au hasard. On considère la variable
aléatoireXprenant la valeur1si la chaîne testée est la chaîne défaillante et0sinon. Dans ce casXest une
variable de Bernoulli de paramètre110 . L"espérance et la variance de cette variable valent respectivementE(X) = 0;1etV(X) = 0;09.
12CHAPITRE 1. LOIS DE PROBABILITÉS DISCRÈTES USUELLES1.2 Loi et variable binomiales
1.2.1 Définition
Soit une épreuve de Bernoulli. Ànrépétitions indépendantes de cette épreuve de Bernoulli sont associées
nvariables aléatoiresX1,X2,...,Xnindépendantes.On considère la variable aléatoireX=X1+X2+:::+Xn. Cette variableXdésigne le nombre de succès
lors denépreuves. L"univers image de la variableXestf0;1;2;:::;ng. On a p(fX=kg) =Cknpkqnk.Preuve: L"événementfX=kgest obtenu par le résultat deksuccès etnkéchecs. On peut avoir par
exempleS :::S|{z} kfoisE :::E |{z} (nk)foisde probabilitépkqnk, mais il existeCknévénements comportantksuccès et(nk)échecs d"où le résultat.La variable ainsi définie suit uneloi binomialeet on note :X B(n;p)On a bien défini une loi de probabilité puisque pourp2]0;1[,Cknpk(1p)nk0,8k2 f0;1;:::;nget
nX k=1p k(1p)nk=p+ (1p) = 1d"après la formule du binôme.Remarque 1.2.1Si une variable aléatoireXreprésente le nombre de succès dans une série denexpériences
de Bernoulli identiques et indépendantes alorsXsuit une loi binomiale de paramètresnetpoùpreprésente
la probabilité de succès lors d"une épreuve de Bernoulli.1.2.2 Moments
1.Esp érance:
E nX i=1X i! =nX i=1E(Xi) =np2.V ariance: les v ariablesXiétant indépendantes, V nX i=1X i! =nX i=1V(Xi) =npq3.Écart-t ype: (X) =pnpq Remarque 1.2.2On a le rapportp(fX=k+ 1g)p(fX=kg)=Ck+1npk+1qnk1C knpkqnk=nkk+ 1pq d"où p(fX=k+ 1g) =nkk+ 1pq p(fX=kg) relation qui permet de disposer dep(fX=k+ 1g)lorsqu"on a déjap(fX=kg).Exemple 1.2.1Dans une population très nombreuse, on estime que la probabilité pour qu"une personne
soit atteinte d"une maladie donnée est0;1. On choisit au hasard1000personnes de cette population (avec
l"éventualité de choisir plusieurs fois la même personne). On noteXla variable aléatoire représentant le
nombre de personnes atteintes de la maladie parmi les1000.Xreprésente le nombre de succès (c"est-à-dire
être atteint par la maladie) dans une suite de1000épreuves de Bernoulli (la personne est atteinte ou pas)
identiques et indépendantes doncX B(1000;0;1).1.3. LOI ET VARIABLE MULTINOMIALES31.2.3 Somme de deux variables binomiales indépendantes
SoientX1etX2telles queX1 B(n1;p)etX2 B(n2;p),X1etX2étant supposées indépendantes. Alors, la variableZ=X1+X2suit une loi binomialeB(n1+n2;p).Remarque 1.2.3On peut généraliser cette propriété àlvariables binomiales indépendantes.
1.2.4 Loi et variable fréquences
SoitX B(n;p). On définit la variableFn=Xn
Xdésigne le nombre de succès obtenus au cours desnépreuves,Fnle nombre de succès divisé par le nombre
d"épreuves soit la fréquence du succès.Fnest lavariable fréquenceassociée àX: F n=X1+X2+:::+Xnn =1n n X i=1X i.L"univers image deFnest
0;1n ;:::;kn ;:::;nn . On afX=kg= F n=kn donc p F n=kn =CknpkqnkConcernant les moments de cette variable,E(Fn) =EXn
=1nE(X) =npn
=pdoncE(Fn) =pV(Fn) =1n
2V(X) =npqn
2=pqn doncV(Fn) =pqnet(Fn) =rpq
n Remarque 1.2.4SoitX B(n;p),Xdésigne le nombre de succès etY=nXle nombre d"échecs. Par conséquent,p(fX=kg) =p(fY=nkg) =Cknpkqnk.1.3 Loi et variable multinomiales
1.3.1 Exemple introductif
On jette50fois une pièce de monnaie truquée. "Pile" apparaît avec une probabilité0;3, "face" avec une
probabilité0;6, la pièce retombe sur la tranche avec une probabilité de0;1. Quelle est la probabilité d"obtenir20"pile",25"face",5tranches? Cet événement peut être obtenu de la façon suivanteP :::P
|{z}20foisF :::F
|{z}25foisT :::T
|{z} 5foiset sa probabilité vaut(0;3)20(0;6)25(0;1)5. Le nombre de ces50-uplets est égal au nombre de façons de
disposer20fois la lettreP,25fois la lettreFet5fois la lettreTdans un mot de longueur50. Ce nombre estC2050C2530C55=C2050C2530, la probabilité de cet événement vaut par conséquent C2050C2530(0;3)20(0;6)25(0;1)5.
4CHAPITRE 1. LOIS DE PROBABILITÉS DISCRÈTES USUELLES1.3.2 Loi trinomiale
Soit une épreuve aléatoire à3issuesAde probabilitép,Bde probabilitéqetCde probabilitéravec
p+q+r= 1. Pournrépétitions indépendantes de cette épreuve, on cherche la probabilité d"obtenirkfois
A,ifoisBet doncnkifoisC. Cette probabilité vaut : C knCinkCnki nkipkqirnki orCnkiquotesdbs_dbs47.pdfusesText_47[PDF] on considère les fonctions f et g définies par
[PDF] On considere les nombre complexe zn défini pour tt entier n
[PDF] On considere les trois nombres A , B , C suivants Les ecrires sous la forme a racine carre de 3 avec a nombre entier ,
[PDF] on considère qu'une canette contient 330 ml de bière
[PDF] On considère un carré ABCD de côté 4
[PDF] on considère un cube abcdefgh d'arête 1
[PDF] on considère un sablier composé de deux cônes identiques corrigé
[PDF] On considére un Stylo
[PDF] on considere une lentille convergente
[PDF] on considere une sphére de centre O et de rayon 5 cm
[PDF] on construit des maisons avec des allumettes
[PDF] on coupe un carre ABCD
[PDF] on désire automatiser le calcul de l'aire d'un triangle
[PDF] On désire réaliser une maquette ? l'échelle 1/1500