Simulation des lois usuelles avec Matlab 1/25 1 Lois discrètes 1 1 Loi de Bernoulli de paramètre θ, notée Ber(θ) ∀x ∈ {0, 1} , P(X = x) = θx (1 − θ)1−x
Previous PDF | Next PDF |
[PDF] Probabilités et statistique avec Matlab - Institut de Mathématiques de
1 1 Remarques préliminaires concernant l'apprentissage de Matlab 2 variables aléatoires indépendantes de même loi et d'espérance µ finie Alors
[PDF] Examen de TPtif - Université de Rennes 1
Ecrire la ou les lignes de commande permettant d'estimer sous Matlab la variance de X à partir du vecteur x et de l'estimée de l'espérance mathématique de X,
[PDF] Probabilités/Statistique avec MATLAB
ENSEEIHT - Électronique Traitement du Signal BE n◦1 – Probabilités/ Statistique avec MATLAB Variables discr`etes et continues 1 Variables continues
[PDF] TP3: SIMULATION DE VARIABLES ALÉATOIRES Comme toujours
sont donc toutes d'espérance 1/N Prouvez cependant qu'en faisant ainsi, on ne répond pas Matlab dispose de deux générateurs de nombres aléatoires :
[PDF] 1 Lois discrètes
Simulation des lois usuelles avec Matlab 1/25 1 Lois discrètes 1 1 Loi de Bernoulli de paramètre θ, notée Ber(θ) ∀x ∈ {0, 1} , P(X = x) = θx (1 − θ)1−x
[PDF] Statistiques: Moyenne - Ecart-type - Variance
On consid`ere le tableau des données de l'espérance de vie dans 12 pays d' Amérique du 2) Utiliser la fonction matlab median pour obtenir le même résultat
[PDF] 2 Calcul de lespérance de la variable aléatoire - LPTHE
11 jan 2012 · Simulation, moyenne géométrique, estimateurs, sonorisation et Matlab Partie 1 Le principe de la simulation par tirage aléatoire Le but de cet
[PDF] Exercices corrigés - IMT Atlantique
tions Matlab permettant de vérifier la validité des résultats trouvés par le lecteur Que les lecteurs Calculer l'espérance mathématique et la variance de X 3
[PDF] Méthode de Monte Carlo - Université du Maine
PARETO (1,5) (ESPÉRANCE 3, PAS DE VARIANCE) A Popier (Le Mans) Matlab permet de simuler la loi uniforme via la fonction rand, qui renvoie un nombre
[PDF] TP Statistique n 1
L'objectif de ce TP est de vous familiariser avec le logiciel Matlab, contraction de Matrix Laboratory espérance, ainsi que son écart-type empirique et théorique
[PDF] esperto di marketing territoriale
[PDF] espl eduservice
[PDF] esplanade de la paix caen
[PDF] esprit coubertin définition
[PDF] esprit d'entreprendre définition
[PDF] esprit d'entrepreneuriat
[PDF] esprit d'entrepreneuriat ppt
[PDF] esprit d'entreprise et esprit d'entreprendre
[PDF] esprit entrepreneurial définition
[PDF] esprit entrepreneurial pdf
[PDF] esprit entrepreneurial synonyme
[PDF] ess france
[PDF] essai clinique comparatif de supériorité
[PDF] essai clinique en crossover
Simulation des lois usuelles avec Matlab1/25
1 Lois discrètes
1.1 Loi de Bernoulli de paramètreθ, notéeBer(θ)
?x? {0,1}, P(X=x) =θx(1-θ)1-xE[X] =θ V ar[X] =θ(1-θ)
fonctiong´en´eratriceGX(t) =E[tX] = 1-θ+θt.1.2 Loi Binomiale de paramètres(n,θ), notéeBin(n,θ)
?k? {0,1,...,n}, P(X=k) =Cknθk(1-θ)n-kE[X] =nθ V ar[X] =nθ(1-θ)
fonctiong´en´eratriceGX(t) =E[tX] = (1-θ+θt)n.Exemple
On considèreuneurnecontenantNboules,N1boulerouges,N2=N-N1boules noires. On en tire par hasardnboules avec remise. SoitXla variable aléatoire égale au nombre de boules rouges tirées. Posonsp=N1N, on a :
P(X=k) =Cknpk(1-p)n-k,?k? {0,1,...,n}.
Propriétés
Ê.Ë.Ê. SiXsuit une loiBin(n,θ), alorsn-Xsuit une loiBin(n,1-θ). loiBer(θ), alorsSn=X1+...+Xnsuit une loiBin(n,θ).KD.GHORBANZADEH
2/25Simulation des lois usuelles avec Matlab
1clear all
2map(1,:) = [rand rand rand];
3colormap(map)
4n=20;
5theta=0.2;
6nb=2000;
7R=binornd(n,theta,nb,1);
8hist(R)
9x=0:1:max(R);
10p1=nb*binopdf(x,n,theta);
11hold on
12plot(x,p1,'*k','linewidth',1);
13box off
14hold off
rhbino.m0123456789100
50100
150
200
250
300
350
400
450
© D.Ghorbanzadeh (1997)
FIG. 1 - simulation de la loiBin(n,θ)
KD.GHORBANZADEH
Simulation des lois usuelles avec Matlab3/25
1.3 Loi géométrique de paramètreθ, notéeG´eo(θ)
?k?N?, P(X=x) =θ(1-θ)k-1E[X] =1
θV ar[X] =1-θθ2
fonctiong´en´eratriceGX(t) =E[tX] =θt1-(1-θ)t.
?Remarque Dans certains ouvrages la loiG´eo(θ)est présentée sous la forme : ?k?N, P(X=x) =θ(1-θ)k.1clear all
2map(1,:) = [rand rand rand];
3colormap(map)
4theta=.13;
5nb=500;
6R = geornd(theta,nb,1);
7hist(R)
8x=0:1:max(R);
9p1=2*nb*geopdf(x,theta);
10hold on
11plot(x,p1,'*k');
12box off
13hold off
rhgeo.mKD.GHORBANZADEH
4/25Simulation des lois usuelles avec Matlab
0510152025303540450
50100
150
200
250
© D.Ghorbanzadeh (1997)
FIG. 2 - simulation de la loiG´eo(θ)
1.4 LoiBinomialeNégativede paramètres(n,θ),notéeBN(n,θ)
?n?N?,?k?N, P(X=k) =Ckn+k-1θn(1-θ)kE[X] =n
θV ar[X] =n(1-θ)θ2
fonctiong´en´eratriceGX(t) =E[tX] =?θt1-(1-θ)t?
nPropriété
SiX1,...,Xnsont des variables aléatoires indépendantes suivant la même loi G´eo(θ), alorsSn=X1+...+Xnsuit une loiBN(n,θ).KD.GHORBANZADEH
Simulation des lois usuelles avec Matlab5/25
1clear all
2map(1,:) = [rand rand rand];
3colormap(map)
4theta=.3;
5N=5;6nb=500;
7R = nbinrnd(N,theta,nb,1);
8hist(R)
9x=0:1:max(R);
10p1=3.2*nb*nbinpdf(x,N,theta);
11hold on
12plot(x,p1,'*k');
13box off
14hold off
rhbineg.m0510152025303540450
20 4060
80
100
120
140
© D.Ghorbanzadeh (1997)
FIG. 3 - simulation de la loiBN(n,θ)
KD.GHORBANZADEH
6/25Simulation des lois usuelles avec Matlab
1.5 Loi de Poisson de paramètreλ, notéeP(λ)
?k?N, P(X=k) =e-λλk k!E[X] =λ V ar[X] =λ
fonctiong´en´eratriceGX(t) =E[tX] =eλ(1-t).Propriété
SiX1,...,Xnsont des variables aléatoires indépendantes de lois respectives : P(λ1),...,P(λn), alorsSn=X1+...+Xnsuit une loiP(n? k=1λ k).1clear all
2map(1,:) = [rand rand rand];
3colormap(map)
4lambda=7;
5nb=1000;
6R = poissrnd(lambda,nb,1);
7hist(R)
8x=0:1:max(R)+1;
9p1=1.7*nb*poisspdf(x,lambda);
10hold on
11plot(x,p1,'*k','linewidth',1);
12box off
13hold off
rhpois.mKD.GHORBANZADEH
Simulation des lois usuelles avec Matlab7/25
0246810121416180
50100
150
200
250
300
350
© D.Ghorbanzadeh (1997)
FIG. 4 - simulation de la loiP(λ)
1.6 Loi Uniforme sur un ensemble de cardinal fini
?k? {1,...,N}, P(X=k) =1 NE[X] =N+ 1
2V ar[X] =N2-112.
1.7 Loi d'une variable aléatoire presque sûrement égale à une
valeur constantex0P(X=x0) = 1
E[X] =x0V ar[X] = 0
fonctiong´en´eratriceGX(t) =E[tX] =tx0.KD.GHORBANZADEH
8/25Simulation des lois usuelles avec Matlab
2 Lois continues
2.1 Loi Uniforme sur l'intervalle[a,b], notéeU([a,b])
densit´efX(x) =1 b-al1[a,b](x) x-a b-asia < x < b1 six≥b
E[X] =a+b
2V ar[X] =(b-a)212
fonctioncaract´eristique?X(t) =E[eitX] =eibt-eiat it(b-a).1clear all
2map(1,:) = [rand rand rand];
3colormap(map)
4a=2; 5b=7;6nb=1000;
7R = unifrnd(a,b,nb,1);
8hist(R)
9x = a:0.1:b;
10p1=.55*nb*unifpdf(x,a,b);
11hold on
12plot(x,p1,'k','linewidth',2);
13box off
14hold off
rhunif.mKD.GHORBANZADEH
Simulation des lois usuelles avec Matlab9/25
22.533.544.555.566.570
20 4060
80
100
120
© D.Ghorbanzadeh (1997)
FIG. 5 - simulation de la loiU([a,b])
2.2 Loi Triangulaire sur l'intervalle[-a,a], notéeΔ([-a,a])
densit´efX(x) =1 a(1-|x|a)l1[-a,a](x) (x+a)21-(a-x)2
1 six≥a
E[X] = 0V ar[X] =a2
6 fonctioncaract´eristique?X(t) =E[eitX] =((( sinat 2at 2))) 2KD.GHORBANZADEH
10/25Simulation des lois usuelles avec Matlab
Propriété
alorsX-Ysuit une loiΔ([-a,a]).1clear all
2map(1,:) = [rand rand rand];
3colormap(map)
4a=3; nb=1000;
5X = unifrnd(0,a,nb,1); %loi uniforme
6Y = unifrnd(0,a,nb,1); %loi uniforme
7hist(X-Y)
8x = -1-a:0.1:a+1;
9p1=.55*nb*(1/a)*(1-abs(x)./a).*(x>=-a & x<=a);
10hold on
11plot(x,p1,'k','linewidth',2);
12box off
13hold off
rhtriag.m -4-3-2-1012340 20 4060
80
100
120
140
160
180
200