[PDF] Cours de probabilités et statistiques





Previous PDF Next PDF



Chapitre 3 - Principales distributions de probabilités

On dit que la variable aléatoire X suit une loi binomiale de param`etres n et La loi de Poisson est attribuée `a Simeon D. Poisson ...



4 1 Calcul de la loi Binomiale. 2 Calcul de la loi de Poisson. 3 Calcul

11-Dec-2002 On se propose d'utiliser le tableur Excel pour trouver des conditions qui permettent d'approximer la loi binomiale par la loi de Poisson ou ...



Calcul élémentaire des probabilités

16-Feb-2006 Strasbourg France ... Son espérance mathématique et son ... On remplace la loi binomiale par la loi de Poisson de même espérance.



Terminale générale - Loi binomiale - Fiche de cours

de paramètre p X suit une loi binomiale B(n ; p) https://physique-et-maths.fr ... Pour la variable aléatoire X qui suit la loi de Poisson P(?). P(X=k)=.



Cours de probabilités et statistiques

IREM de Lyon - Département de mathématiques Perrut@univ-lyon1.fr ... Dans le cas de l'approximation de la loi binomiale par la loi de Poisson ...



Programme de spécialité de mathématiques de terminale générale

L'enseignement de spécialité de mathématiques de la classe terminale générale est Introduction de la loi de Poisson comme limite de lois binomiales.



Introduction aux lois de probabilité avec R - CEL

30-Oct-2016 http://www.math.unicaen.fr/~chesneau/. Caen le 10 Août 2016 ... Loi binomiale géométrique. Poisson paramètres n ? N?



Probabilités Loi normale TI-83 Premium CE

Loi normale. TI-83 Premium. CE. On suppose que la masse (en kg) X d'un bébé à la naissance suit la loi normale de paramètre m = 3



Probabilités et variables aléatoires

p2 . – Loi de Poisson P(?) : E(X) = Var(X) = ?. – Loi normale 



LOIS DE PROBABILITÉ USUELLES

(c + n ? 1) zn n! • La somme de n v.a. indépendantes suivant la loi de Bernoulli de paramètre p suit une loi binomiale B(n p).



Loi binomiale et loi de Poisson 1 Loi binomiale - mathematicefr

On dit que S suit la loi binomiale de paramètres 3 et 2 5 Cas général : Si une variable aléatoire S est la somme de n variables de Bernoulli indépendantes de paramètre p alors S suit la loi binomiale de paramètres n et p Pour chaque entier k tel 0 n on a alors : P (S = k) = n k pkqn k avec q = 1 p



LOI DE POISSON APPROXIMATION D'UNE LOI BINOMIALE - matheclair

Définition : La loi de Poisson est utilisée lorsqu'on s'intéresse au nombre de réalisations observées durant un intervalle de temps de longueur donnée lorsque le temps d’attente entre deux réalisations est fourni par une loi exponentielle

Stage ATSM - Ao^ut 2010

Cours de probabilit

´es et statistiques

A. Perrut

contact : Anne.Perrut@univ-lyon1.fr 2

Table des matiµeres

1 Le modµele probabiliste 5

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.4 Trois autres lois discrµetes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.4.2 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.4.3 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.1 Loi d'une v.a. continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3.2 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3.3 La loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.4 La loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.5 Fonction d'une v.a. continue . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.1 Loi des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.3 Intervalles de con¯ance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3

4TABLE DES MATIµERES

5 Tests statistiques 47

5.1 Tests d'hypothµeses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

5.2 Test d'ajustement du chi-deux . . . . . . . . . . . . . . . . . . . . . . . . . 49

5.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

B Tables statistiques 61

C.1 Variable quantitative discrµete . . . . . . . . . . . . . . . . . . . . . . . . . . 65 C.2 Variable quantitative continue . . . . . . . . . . . . . . . . . . . . . . . . . . 68 C.3 Variable qualitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

Chapitre 1

Le modµele probabiliste

1.1 Introduction

Exemples :

- l'enfant µa na^³tre sera une ¯lle, - Proportion :

P(A) =3

6 = 1=2. Alors

P(¯lle) = limn!+1k

n n mais cette limite a-t-elle un sens? - Opinion : pour que l'OL soit championne de France? Dans ce cas, on ne peut pas rejouer le m^eme subjectif. 5

6CHAPITRE 1. LE MODµELE PROBABILISTE

Exemples :

\Lyon ne gagne pas". chi®re pair", ieA=f2;4;6g. jcelui du second.

B: \on obtient pile au deuxiµeme lancer" est

B=f(f;p;f);(f;p;p);(p;p;f);(p;p;p)g

le nombre de \face" obtenus. Alors, =f0;1;2;3g. Le modµele est beaucoup plus simple, notations vocabulaire ensembliste vocabulaire probabiliste ensemble plein ensemble vide A sous-ensemble de !2A !appartient µaA

A½B

Ainclus dansB

AimpliqueB

A[B AouB A\B intersection deAetB AetB A cou A A\B=;

AetBdisjoints

AetBincompatibles

Exemple : soit =f0;1;2g. ConstruisonsP().

P() =n

;;f0g;f1g;f2g;f0;1g;f0;2g;f1;2g;o telle que : -P(A) =X -P() =X !2P(!) = 1

0.95 :Ava trµes probablement se produire.

4.0 : incorrect.

-2 : incorrect.

0.5 : une chance sur deux.

8CHAPITRE 1. LE MODµELE PROBABILISTE

faire quelques calculs :

1) SiAetBsont incompatibles,P(A[B) =P(A) +P(B).

2)P(Ac) = 1¡P(A).

3)P(;) = 0.

5)P(A[B) =P(A) +P(B)¡P(A\B).

2) CommeAetAcsont incompatibles,1 =P() =P(A[Ac) =P(A) +P(Ac).

3)P(;) = 1¡P(;c) = 1¡P() = 0.

P i2NA i´ =X i2NP(Ai) - axiome 3 :P() = 1

1 =P() =X

!2P(!) =X !2p=p£card()

D'oµup=P(!) =1

card()

P(A) =X

!2AP(!) =card(A) card() dire : - choisir, par

P(BjA) =P(A\B)

P(A) Utilisation 2 : QuandP(BjA)etP(A)sont faciles µa trouver, on peut obtenirP(A\B). Exemple 6Une urne contientrboules rouges etvboules vertes. On en tire deux, l'une =frouge;verteg £ frouge;verteg rouge".

P(A\B) =P(BjA)P(A) =r¡1

r+v¡1¢r r+v

P(B) =P(BjA)P(A) +P(BjAc)P(Ac)

10CHAPITRE 1. LE MODµELE PROBABILISTE

preuve : CommeA[Ac= ,P(B) =P(B\(A[Ac)) =P((B\A)[(B\Ac)). OrB\A

P(B) =P(B\A) +P(B\Ac)

On garde le m^eme formalisme.

P(B) =P(BjA)P(A) +P(BjAc)P(Ac)

r¡1 r+v¡1¢r r+v+r r+v¡1¢v r+v =r r+v (i)[i2IAi= (ii) lesAisont deux µa deux incompatibles : pour tousi6=j,Ai\Aj=;.

P(B) =X

i2IP(BjAi)P(Ai) dans l'ordre chronologique. Nous allons maintenant voir une formule µa remonter le temps...

1etP(B)>0. Alors,

P(AjB) =P(BjA)P(A)

P(BjA)P(A) +P(BjAc)P(Ac)

preuve :

P(AjB) =P(A\B)

P(B)=P(BjA)P(A)

P(B) i2I,

P(AijB) =P(BjAi)P(Ai)

P j2IP(BjAj)P(Aj) bleaux sur informatique. Les tableaux deAcomportent des fautes dans 5,2% des cas et ceux deBdans 6,7% des cas. On prend un tableau au hasard. Il comporte des fautes. T T

F=\ le tableau comporte des fautes".

P(TAjF) =P(FjTA)P(TA)

P(FjTA)P(TA) +P(FjTB)P(TB)

P(A\B) =P(A)P(B)

P(BjA) =P(B)()P(AjB) =P(A)()P(A\B) =P(A)P(B)

Proposition 14Soit =E£FoµuEest de cardinalnetFde cardinalp. Supposons que

P(!) =P((x;y)) =1

card() =1 np =PE(fxg)PF(fyg) =fP;Fg £ f1;:::;6g

12CHAPITRE 1. LE MODµELE PROBABILISTE

8!2; P(!) =1

card() = 1=12 P N³ (!1;:::;!N)´ =P(!1)¢¢¢P(!N) surN. Pourtant, le nombre de combinaisons dont la somme fait 12 est le m^eme que le nombre de combinaisons dont la somme fait 11. Alors?

1.6 Exercices

3) On tire trois cartes dans un jeu .

suppose que

P(A[B) = 7=8; P(A\B) = 1=4; P(A) = 3=8:

CalculerP(B),P(A\Bc),P(B\Ac).

ros impairs ont chacun la m^eme chance d'appara^³tre, chance qui est deux fois plus grande hasard, et l'on observe que les quatre places libres se suivent. Est-ce surprenant?

1.6. EXERCICES13

Exercice 6 {SoientM1,M2,M3trois personnes. La premiµereM1dispose d'une infor- la transmet µaM3. Malheureusement, µa chaque fois que l'information est transmise, il y a le bon message? Et siM3transmet l'information dont il dispose µa une quatriµeme personneM4, quelle est elle re»coit un vaccin? daire? Exercice 8 |Dans une usine, la machine A fabrique 60% des piµeces, dont 2% sont C? Exercice 9 |Dans une jardinerie : 25% des plantes ont moins d'un an, 60% ont de 1 µa 2 ans, 25% ont des °eurs jaunes, 60% ont des °eurs roses, 15% ont des °eurs jaunes et moins d'un an, 3% ont plus de 2 ans et n'ont ni °eurs jaunes, ni °eurs roses. 15% de celles qui ont de 1 µa 2 ans, ont des °eurs jaunes, 15% de celles qui ont de 1 µa 2 ans, n'ont ni

°eurs jaunes ni °eurs roses. On suppose que les °eurs ne peuvent pas ^etre µa la fois jaunes

et roses. On choisit une plante au hasard dans cette jardinerie.

14CHAPITRE 1. LE MODµELE PROBABILISTE

Exercice 10 |Deux chau®eurs de bus se relaient sur la m^eme ligne. Lors d'une grµeve, le premier a60%de chances de faire grµeve et le second80%. Pendant la prochaine grµeve, Exercice 11 |Une loterie comporte 500 billets dont deux seulement sont gagnants.

Chapitre 2

PPP PPF PFP FPP FFP FPF PFF FFF

valeur deX

3 2 2 2 1 1 1 0

k(valeur prise parX)

3 2 1 0

fPPPg fPPF,PFP,FPPg fPFF,FPF,FFPg fFFFg k(X=k) = 15 elle est ditecontinue(exemples : hauteur d'un arbre, distance de freinage d'une voiture souvent une formule, plut^ot qu'une liste. [X= 3] [X= 2] [X= 1] [X= 0] fPPPg fPPF,PFP,FPPg fPFF,FPF,FFPg fFFFg

1/8 3/8 3/8 1/8

F(x) =P[X·x]

Exemple :Xest le nombre de Face quand on lance trois fois une piµece. On a vu que la loi deXest P[X= 0] = 1=8; P[X= 1] =P[X= 2] = 3=8; P[X= 3] = 1=8

D'oµu,

F(x) =8

>>>>>:0six <0;

1=8si0·x <1;

4=8si1·x <2;

7=8si2·x <3;

1six¸3

1)Fest croissante,

3) lim x! ¡1F(x) = 0;limx!+1F(x) = 1

E[X] =X

kkP[X=k] oµu on somme sur toutes les valeurskque peut prendreX.

E[g(X)] =X

kg(k)P[X=k] preuve : observons queg(X) =yssiX=xavecg(x) =y. Ainsi,

P(g(X) =y) =X

x:g(x)=yP(X=x)

E(Y) =X

yyP(Y=y) =X yX x:g(x)=yg(x)P(X=x) =X xg(x)P(X=x)

Var(X) =Eh

(X¡E[X])2i =X k(k¡E[X])2P[X=k] =E[X2]¡E[X]2 k2X()jkjP(X=k)<1 sa valeur moyenneE[X]. Exemple 18: nous avons la loi du nombreXde PILE quand on lance trois fois une piµece.

E[X] =3X

k=0kP[X=k] = 3¢1 8 + 2¢3 8 + 1¢3 8 + 0¢1 8 =12 8 =3 2

Var(X) =E[X2]¡E[X]2=3X

k=0k

2P[X=k]¡E[X]2

= 3

2¢1

8 + 22¢3 8 + 12¢3 8 + 02¢1 8

¡µ3

2 2 3 4 nbr de PILE [X= 3] [X= 2] [X= 1] [X= 0]

0.125 0.375 0.375 0.125

quotesdbs_dbs24.pdfusesText_30
[PDF] optima murs - Isover

[PDF] Dispense genetica III 0708 - UniBa

[PDF] Aprendizaje basado en problemas - Portal de Innovación Educativa

[PDF] Ventajas e inconvenientes del aprendizaje basado en problemas

[PDF] Ejemplo práctico del aprendizaje basado en problemas

[PDF] La metodología del Aprendizaje Basado en Problemas

[PDF] Aprendizaje basado en proyectos - ceupromed - Universidad de

[PDF] Mise en page 1 - OGBL

[PDF] Epreuve de Français Lettres françaises

[PDF] interruption volontaire de grossesse - Centre de santé des femmes

[PDF] Que faire après une licence AES 2015

[PDF] retirer aps - Auber sans la Peur

[PDF] Étudiants étrangers Facilitez vos démarches, - La préfecture de Police

[PDF] APSA choisies par les académies pour le CRPE 2016 - Le SNEP

[PDF] I PRESENTATION DE L 'APSA DANSE La danse est une activité d