27 sept 2013 · (Cours et exercices corrigés) Figure 1 1 – Fonction de répartition pour le lancer de dé la variance de X Ce moment est donc égal à E((X − µX)2) = E((X − E(X ))2) Algorithme 1 5 Simulation de variable aléatoire
Previous PDF | Next PDF |
[PDF] ALGORITHMIQUE POUR LE LYCÉE - Unité de formation d
Corpus d'exercices liés au programme de la classe de seconde Écrire un algorithme permettant de simuler n lancers de pièces, n donné, et d'afficher la http://hebergement u-psud fr/iut-orsay/Pedagogie/MPHY/Python/courspython3 pdf : cours de Robert Action Echange ( ES tab : TTableau ; E i :entier ; E j : entier )
[PDF] Méthodes de Monte-Carlo (Cours et exercices) M1 IM, 2018-2019
Simulation de variables gaussiennes (algorithme de Box-Müller) 12 2 4 Simulation d'une variable 2 http://cermics enpc fr/~bl/PS/SIMULATION- X/poly- monte- carlo- x pdf forme d'une espérance I = E(X) avec X une variable aléatoire Si on sait simuler site de l'INRIA) Voir une variation avec lancer de saucisses2
[PDF] Recueil dexercices corrigés et aide-mémoire - Gloria FACCANONI
20 sept 2019 · acquérir des données (issues de simulations et/ou d'expériences), en langage algorithmique et être capable d'écrire des petits Double cliquer sur le fichier téléchargé pour lancer l'installation print( 12 4e 6d (a,n)) corrigés", https://perso limsi fr/pointal/_media/python:cours:exercices-python3
[PDF] Calcul Scientifique: Cours, exercices corrigés et illustrations en
Les simulations numériques reproduites sur la couverture ont été réalisées par Carlo Calcolo Scientifico - Esercizi e problemi risolti con MATLAB e Octave A Quarteroni, F 5 15 Exercices Le coût de calcul d'un algorithme est le nombre d'opérations en vir- Pour le lancer, on écrit simplement l'instruction equation
[PDF] Introduction à lalgorithmique - Cours, examens et exercices gratuits
CHAPITRE 1 • RÔLE DES ALGORITHMES EN INFORMATIQUE 3 195 Exercices 197 c© Dunod – L a photocopie non autorisée e st un délit Le nombre attendu de piles pour un seul lancer est tout simplement l'espérance de simulés dans l'ordre des temps d'occurrence, vu que la simulation d'un événement
[PDF] Probabilités et statistique pour lingénieur - CERMICS
10 jan 2018 · 1 3 Exercices 4 2 Simulation de variables aléatoires `a densité INTRODUCTION : PROBABILIT´E SUR UN ESPACE FINI Eug`ene de lancer 5 fois la pi`ece et de ne payer que si apparaıt une suite d'au moins 3 piles Ces réels sont calculés par un algorithme déterministe mais
[PDF] Exercices corrigés - u-psudfr
2 Initialisez truccomme une liste vide, et machincomme une liste de cinq flottants nuls Affichez ces listes Utilisez la fonction range() pour afficher
[PDF] Processus stochastiques et modélisation (Cours et exercices - CEL
27 sept 2013 · (Cours et exercices corrigés) Figure 1 1 – Fonction de répartition pour le lancer de dé la variance de X Ce moment est donc égal à E((X − µX)2) = E((X − E(X ))2) Algorithme 1 5 Simulation de variable aléatoire
[PDF] Modélisation de phénomènes aléatoires : - Centre de
1 nov 2020 · 6 3 Simulation parfaite : algorithme de Propp-Wilson ⋆ de transition P = 1P(x, y)lx,y∈E La matrice de transition décrit la la condition initiale du lancer du dé et déduire de la mécanique Newtonienne la va- [13] C GRAHAM – Chaînes de markov : cours, exercices et corrigés détaillés, Dunod, 2008
[PDF] Initiation à Scilab
Les scripts Les fonctions Boucles et branchements 6 Exercices d'application Exercice 1 Exercice 2 Exercice 3 Y Ariba - Icam, Toulouse Initiation `a Scilab
[PDF] algorithme somme des n premiers entiers PDF Cours,Exercices ,Examens
[PDF] algorithme somme des termes d'une suite PDF Cours,Exercices ,Examens
[PDF] algorithme somme suite PDF Cours,Exercices ,Examens
[PDF] algorithme somme suite arithmétique PDF Cours,Exercices ,Examens
[PDF] algorithme somme suite géométrique PDF Cours,Exercices ,Examens
[PDF] algorithme suite 1es PDF Cours,Exercices ,Examens
[PDF] Algorithme suite algo 1ère Mathématiques
[PDF] algorithme suite algobox PDF Cours,Exercices ,Examens
[PDF] algorithme suite arithmétique PDF Cours,Exercices ,Examens
[PDF] algorithme suite calculatrice PDF Cours,Exercices ,Examens
[PDF] algorithme suite casio PDF Cours,Exercices ,Examens
[PDF] algorithme suite casio graph 35+ PDF Cours,Exercices ,Examens
[PDF] Algorithme suite et limites Terminale Mathématiques
[PDF] algorithme suite exercice PDF Cours,Exercices ,Examens
Processus stochastiques et modélisation
(Cours et exercices corrigés)L3 MIAGE, Université de Nice-Sophia Antipolis
2011-2012
Chapitres 1,2,3Sylvain Rubenthaler
Table des matières
1 Événements aléatoires et variables aléatoires 1
1.1 Événements et probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Espérance et moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Fonctions de répartition jointes . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Définitions générales . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.2 Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Sommes et convolutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6 Changement de variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.7 Lois de probabilités usuelles (à connaître par coeur) . . . . . . . . . . . . . . . 16
1.7.1 Lois discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7.2 Lois continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.8.1 Énoncés des exercices . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.8.2 Corrigés des exercices . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Théorèmes limites et méthode de Monte-Carlo 31
2.1 Les diérentes notions de convergence . . . . . . . . . . . . . . . . . . . . . . 31
2.2 Théorèmes limites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.1 Loi des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.2 Application de la loi des grands nombres . . . . . . . . . . . . . . . . 34
2.2.2.1 Dessin de la fonction de répartition . . . . . . . . . . . . . . 34
2.2.2.2 Dessin de la densité . . . . . . . . . . . . . . . . . . . . . . 35
2.2.3 Théorème central-limite . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2.4 Application du TCL . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.2.4.1 Sondages . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.2.4.2 Planche de Galton . . . . . . . . . . . . . . . . . . . . . . . 41
2.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.1 Énoncés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.2 Corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3 Probabilités et espérances conditionnelles 49
3.1 Conditionnement dans le cas discret . . . . . . . . . . . . . . . . . . . . . . . 49
3.2 Sommes aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3 Probabilités conditionnelles dans le cas mélangé . . . . . . . . . . . . . . . . . 53
i3.4 Moments et loi d"une somme aléatoire . . . . . . . . . . . . . . . . . . . . . . 55
3.5 Conditionnement par une variable continue . . . . . . . . . . . . . . . . . . . 58
3.6 Statistiques pour les nuls . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.7.1 Énoncés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.7.2 Corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Liste des symboles 71
Index73
A Table de la loi normale 75
B Fonctions, intégrales et sommes usuelles 77
iiPréface
Ce cours est une introduction aux probabilités utilisant quelques notions de programmation. Les exemples de programmation seront donnés en scilab1. Ce cours s"adresse à des étudiants de
la filière MIAGE, les notions mathématiques sont simplifiées. Les corrigés des exercices sont
volontairement succint et contiennent involontairement des erreurs. Cela devrait faire réfléchir
les étudiants. Cette version est provisoire. Les chapitres suivants seront ajoutés plus tard.Informations utiles (examens, corrigés ...) :
iii ivChapitre 1
Événements aléatoires et variables
aléatoires1.1 Événements et probabilités
Nous donnons ici des règles calculs sans rentrer dans le détail des définitions mathéma- tiques.Définition 1.1.1.Nous notons
l"ensemble de toutesles possibilités (un élément quelconque de sera souvent noté!et s"appellera un aléa). On dira aussi que est "l"ensemble des possibles», l"univers, l"univers des possibles, ... Un événement (que l"on peut aussi orthographier évènement) est une partie de Exemple 1.1.2.Si on jette un dé, A="on tire un6»=f!2 ;on tire un 6gest un événement(dans l"égalité précédente, les trois termes veulent dire la même chose. De même, B="le
résultat est supérieur ou égal à3» est aussi un événement.Définition 1.1.3.Soient A;B deux événements. L"événement "il arrive A ou B» (ce qui veut
dire que l"on a au moins l"un des deux) s"appelle la réunion de A et B et se note A[B. On notera aussi A[B=f!2 ;!2A ou!2Bg. Exemple 1.1.4.On reprend l"exemple du lancer de dé. Soit A="le résultat est pair», B="lerésultat est supérieur ou égal à3». Alors A[B="le résultat est dansf2;3;4;5;6g».
Définition 1.1.5.Soient A;B deux événements. L"événement "il arrive A et B» (ce qui veut dire
que l"on a les deux en même temps) s"appelle l"intersectionde A et B et se note A\B. On notera aussi A\B=f!2 ;!2A et!2Bg. Exemple 1.1.6.Avec les A;B de l"exemple précédent , A\B="le résultat est dansf4;6g». Définition1.1.7.Soientunelisteauplusdénombrabled"événements A1;A2;:::(auplusdénom-brable veut dire que l"on peut numéroter ces événements avec de indices entiers, la liste des
indices est finie ou infinie). L"événement "l"un au moins de ces événements a lieu» se note
A1[A2[ =[1i=1Ai:
Attention, si on a une liste finie d"événements A1;:::;An,[1i=1Aiveut dire par convention A1[
A2[ [An. L"événement "tous ces événements ont lieu» se note
A1\A2\ =\1i=0Ai:
12CHAPITRE 1. ÉVÉNEMENTS ALÉATOIRES ET VARIABLES ALÉATOIRES
Définition 1.1.8.La probabilité d"un événement A se noteP(A). Nous avons toujoursP( )=1. L"événement impossible se note;et vérifieP(;)=0. Pour tout événement A,0P(A)1: Exemple 1.1.9.On reprend l"exemple du lancer de dé ci-dessus. Soit A="le résultat est1».AlorsP(A)=1=6.
Les règles de calcul qui suivent sont plus importantes que les définitions précédentes. Définition 1.1.10.Deux événements A;B sont dits disjoints si A\B=;(on ne peut pas avoirà la fois A et B).
Exemple 1.1.11.Toujours avec le lancer de dé, soit A="le résultat est pair», B="le résultat
est impair». Alors A\B=;, ces deux événements sont disjoints (le résultat ne peut pas être
pair et impair). Proposition 1.1.12.Loi d"addition.Si deux événements A;B sont disjoints alorsP(A[B)= P(A)+P(B). Si une liste au plus dénombrable d"événements A1;A2;:::est telle que8i;j1, A i\Aj=;, alorsP([1i=1Ai)=P1i=1P(Ai). Exemple 1.1.13.Toujours avec l"exemple du lancer de dé. Soit A="le résultat est pair», B= "le résultat est égal à3». Nous avons A\B=0et doncP(A[B)=P(A)+P(B)=1=6+3=6=4=6=2=3.
Proposition 1.1.14.Loi des probabilités totales.Soit une liste au plus dénombrable d"événe-
ments A1;A2;:::telle que8i;j1, Ai\Aj=;et
=[1i=1Ai. Soit B un événement. AlorsP(B)=P1i=1P(Ai\B).
Démonstration.Soienti;j1.
Montrons par l"absurde que (Ai\B)\(Aj\B)=;. Si9!2(Ai\B)\(Aj\B), alors !2Ai\Aj, orAi\Aj=;, nous avons donc là une contradiction.Montrons queB=[1i=1(B\Ai):
- Soit!2B. Nous avons!2 =[1i=1Aidonc9jtel que!2Aj. Donc!2B\Aj. Donc !2 [1i=1(B\Ai). DoncB [1i=1(B\Ai). - Soit!2 [1i=1(B\Ai). Il existejtel que!2B\Aj, donc!2B. Donc[1i=1(B\Ai)B.On déduit de ces deux points queB=[1i=1(B\Ai).
Nous avons par la proposition 1.1.12,
P(B)=1
X i=1P(B\Ai):Proposition 1.1.15.Propriétés deP.
Si A;B sont deux événements tels que AB alorsP(A)P(B).Démonstration.NotonsBnA=f!2
:!2B;!1.2. VARIABLES ALÉATOIRES3
1.2 Variables aléatoires
Définition 1.2.1.Une variable aléatoire à valeurs dans un ensemble E est une application de dans E. toire à valeurs réelles. Exemple 1.2.3.Soit X le résultat d"un lancer de dé. L"ensemblef!2 :X(!)=6gest un événement. La notationP(X=6)est un raccourci pour direP(f!2 :X(!)=6g). Poursimuler X en scilab, on peut se servir de l"instruction suivanteAlgorithme 1.1Lancer de dégrand(1,1,"uin",1,6)
//grand est le générateur de nombres aléatoires de scilab //les deux premiers paramètres $(1,1)$ indiquent que l"ordinateur renvoie un //tableau de taille $1\times 1$(donc une seule variable) //"uin" indique que le résultat est un entier //les deux derniers paramètres $(1,6)$ indique que le résultat est entre $1$ et $6$ //"uin" indique que la variable est uniforme dans $\{1,\dots,6\}$ ($1,\dots,6$ ont la même prob-abilité de//sortir ($1/6$))Voici le résultat de plusieurs appels successifs de cette instruction :
->grand(1,1,"uin",1,6) ans=4. ->grand(1,1,"uin",1,6) ans=5. ->grand(1,1,"uin",1,6) ans=2. ->grand(1,1,"uin",1,6) ans=5.Définition 1.2.4.Fonction de répartitionSoit X une variable aléatoire à valeurs dansR. La
fonction de répartition de X est la fonction t2R7!P(Xt)2R. Exemple1.2.5.Soit X lerésultatd"unlancerdedé.Nousavons8i2 f1;:::;6g,P(X=i)=1=6. - Soit t<1. Nous avonsf!:X(!)tg=;(X n"est jamaist)doncP(Xt)=0. - Soit t2[1;2[. Nous avonsf!:X(!)tg=f!:X(!)=1g(que l"on peut écrire plus simplementfXtg=fX=1g. DoncP(Xt)=P(X=1)=1=6: - Soit t2[2;3[. Nous avonsf!:X(!)tg=f!:X(!)2 f1;2gg(que l"on peut écrire plus simplementfXtg=fX=1ou2g. DoncP(Xt)=P(fX=1g [ fX=2g)=P(X=1)+ P(X=2)=2=6(on peut utiliser la proposition 1.1.12 parce quefX=1g \ fX=2g=;). - Soit t6. Nous avonsfXtg= doncP(Xt)=1. Nous pouvons maintenant dessiner la fonction de répartition de X (figure 1.1).Proposition 1.2.6.Propriétés de la fonction répartitionSoit X une variables aléatoire à
valeurs réelles et soit F sa fonction de répartition. Soient a;b2R. Nous avons :1.P(X>a)=1F(a),
4CHAPITRE 1. ÉVÉNEMENTS ALÉATOIRES ET VARIABLES ALÉATOIRESFigure1.1 - Fonction de répartition pour le lancer de dé
2.P(a 3.P(X=x)=F(x)lim#0F(x)=F(x)F(x)(F(x)signifie la limite à gauche de
F en x).
Démonstration.1. Nous avons 1=P(X2R)=P(X>a)+P(Xa) (le lecteur vérifiera lui-même que nous pouvons bien appliquer la proposition 1.1.12). DoncP(X>a)= 1P(Xa)=1F(a).
2. Nous avonsP(Xb)=P(Xa)+P(a P(a 3. Ce point est admis.
Exemple 1.2.7.Reprenons l"exemple précédent. En utilisant la proposition ci-dessus, nous obtenons : -P(X>2)=1P(X2)=1(P(X=1)+P(X=2))=4=6=2=3, -P(X=2)=F(2)F(2)=2=61=6=1=6. Définition 1.2.8.Une variable aléatoire X est dite discrète s"il existe nombre au plus dénom-
brable de valeurs x 1;x2;:::telles que8i;ai:=P(X=xi)>0. (Notation : nous utilisons ici le
symbole ":=» pour dire aiest défini comme étant égal àP(X=xi).) La fonction (qui s"applique aux x
i) x i7!pX(xi)=ai s"appelle la fonction de masse de la variable X. Proposition 1.2.9.Soit X une variable aléatoire réelle discrète, de fonction de masse pXet de
fonction de répartition F X. Nous avons la relation (8i)
p X(xi)=FX(xi)FX(xi):
La fonction F
Xest constante par morceaux. Elle ne change de valeurs qu"aux points xi. Exemple 1.2.10.Reprenons l"exemple précédent du lancer de dé. La variable X est discrète et
nous avons bienP(X=2)=F(2)F(2). 1.2. VARIABLES ALÉATOIRES5
Définition 1.2.11.Une v.a.r. X est dite continue si sa fonction de répartition F est une fonction
continue. Définition 1.2.12.Soit X une v.a.r. S"il existe une fonction f deRdansR+telle que8aP(aXb)=Z
b a f(x)dx; alors cette fonction f s"appelle la densité de probabilité de X (on dit aussi la densité tout court).
Proposition 1.2.13.La définition ci-dessus implique que si X a une densité f alors8a;b2 [1;+1], P(aXb)=Z
b a f(x)dx; et P(X=a)=0:
Proposition 1.2.14.Soit X une v.a.r. Si X a une densité f alors X est continue et8x2R, F(x)=Z
x 1 f(t)dt: Proposition 1.2.15.Si X est une v.a.r. de fonction de répartition F telle que F est dérivable, alors X a une densité f qui est égale à (8x) f(x)=F0(x): Si F est dérivable partour sauf en un nombre fini de point, X est encore continue et elle a pour densité f=F0(que l"on peut calculer partout sauf en un nombre fini de points, on met n"importe quelle valeur pour f aux points où F n"est pas dérivable). Remarque1.2.16.S"ilyaunnombrefinidepointsoùladérivéede Festcompliquéeàcalculer, on peut se contenter d"assigner à f des valeurs arbitraires en ces points. Exemple 1.2.17.Soit X une v.a.r. ayant la fonction de répartition suivante (voir figure 1.2 pour le dessin) (il s"agit de la variable uniforme sur[0;1]) F(x)=8
>>>>><>>>>>:0si x0 x si0x1 1si1x:
Cette fonction F est continue donc X est une variable continue. La fonction F est dérivable partout sauf aux points0;1. Calculons la dérivée f=F0, nous obtenons (voir figure 1.3 pour le dessin) : f(x)=8 >>>>><>>>>>:0si x<1 1si0x1
0si1 Remarquons que les valeurs f(0)et f(1) sont arbitraires. 6CHAPITRE 1. ÉVÉNEMENTS ALÉATOIRES ET VARIABLES ALÉATOIRESFigure1.2 - Fonction de répartition de la variable uniforme sur [0;1].Algorithme 1.2Variable uniforme sur [0;1]grand(1,1,"unf",0,1)
//génère une variable aléatoire uniforme dans [0;1] //les deux premiers pramètres veulent dire qu"on récupère un tableau 11 //de variables aléatoires, donc une seule variableVoici le résultat de plusieurs appels successifs de cette instruction
->grand(1,1,"unf",0,1) ans=0.9811097 ->grand(1,1,"unf",0,1) ans=0.9571669 ->grand(1,1,"unf",0,1) ans=0.1098618 Il existe des v.a.r. qui ne sont ni discrètes ni continues mais nous n"en parlerons pas dans ce cours. 1.3 Espérance et moments
quotesdbs_dbs46.pdfusesText_46
3.P(X=x)=F(x)lim#0F(x)=F(x)F(x)(F(x)signifie la limite à gauche de
F en x).
Démonstration.1. Nous avons 1=P(X2R)=P(X>a)+P(Xa) (le lecteur vérifiera lui-même que nous pouvons bien appliquer la proposition 1.1.12). DoncP(X>a)=1P(Xa)=1F(a).
2. Nous avonsP(Xb)=P(Xa)+P(a P(a 3. Ce point est admis.
Exemple 1.2.7.Reprenons l"exemple précédent. En utilisant la proposition ci-dessus, nous obtenons : -P(X>2)=1P(X2)=1(P(X=1)+P(X=2))=4=6=2=3, -P(X=2)=F(2)F(2)=2=61=6=1=6. Définition 1.2.8.Une variable aléatoire X est dite discrète s"il existe nombre au plus dénom-
brable de valeurs x 1;x2;:::telles que8i;ai:=P(X=xi)>0. (Notation : nous utilisons ici le
symbole ":=» pour dire aiest défini comme étant égal àP(X=xi).) La fonction (qui s"applique aux x
i) x i7!pX(xi)=ai s"appelle la fonction de masse de la variable X. Proposition 1.2.9.Soit X une variable aléatoire réelle discrète, de fonction de masse pXet de
fonction de répartition F X. Nous avons la relation (8i)
p X(xi)=FX(xi)FX(xi):
La fonction F
Xest constante par morceaux. Elle ne change de valeurs qu"aux points xi. Exemple 1.2.10.Reprenons l"exemple précédent du lancer de dé. La variable X est discrète et
nous avons bienP(X=2)=F(2)F(2). 1.2. VARIABLES ALÉATOIRES5
Définition 1.2.11.Une v.a.r. X est dite continue si sa fonction de répartition F est une fonction
continue. Définition 1.2.12.Soit X une v.a.r. S"il existe une fonction f deRdansR+telle que8aP(aXb)=Z
b a f(x)dx; alors cette fonction f s"appelle la densité de probabilité de X (on dit aussi la densité tout court).
Proposition 1.2.13.La définition ci-dessus implique que si X a une densité f alors8a;b2 [1;+1], P(aXb)=Z
b a f(x)dx; et P(X=a)=0:
Proposition 1.2.14.Soit X une v.a.r. Si X a une densité f alors X est continue et8x2R, F(x)=Z
x 1 f(t)dt: Proposition 1.2.15.Si X est une v.a.r. de fonction de répartition F telle que F est dérivable, alors X a une densité f qui est égale à (8x) f(x)=F0(x): Si F est dérivable partour sauf en un nombre fini de point, X est encore continue et elle a pour densité f=F0(que l"on peut calculer partout sauf en un nombre fini de points, on met n"importe quelle valeur pour f aux points où F n"est pas dérivable). Remarque1.2.16.S"ilyaunnombrefinidepointsoùladérivéede Festcompliquéeàcalculer, on peut se contenter d"assigner à f des valeurs arbitraires en ces points. Exemple 1.2.17.Soit X une v.a.r. ayant la fonction de répartition suivante (voir figure 1.2 pour le dessin) (il s"agit de la variable uniforme sur[0;1]) F(x)=8
>>>>><>>>>>:0si x0 x si0x1 1si1x:
Cette fonction F est continue donc X est une variable continue. La fonction F est dérivable partout sauf aux points0;1. Calculons la dérivée f=F0, nous obtenons (voir figure 1.3 pour le dessin) : f(x)=8 >>>>><>>>>>:0si x<1 1si0x1
0si1 Remarquons que les valeurs f(0)et f(1) sont arbitraires. 6CHAPITRE 1. ÉVÉNEMENTS ALÉATOIRES ET VARIABLES ALÉATOIRESFigure1.2 - Fonction de répartition de la variable uniforme sur [0;1].Algorithme 1.2Variable uniforme sur [0;1]grand(1,1,"unf",0,1)
//génère une variable aléatoire uniforme dans [0;1] //les deux premiers pramètres veulent dire qu"on récupère un tableau 11 //de variables aléatoires, donc une seule variableVoici le résultat de plusieurs appels successifs de cette instruction
->grand(1,1,"unf",0,1) ans=0.9811097 ->grand(1,1,"unf",0,1) ans=0.9571669 ->grand(1,1,"unf",0,1) ans=0.1098618 Il existe des v.a.r. qui ne sont ni discrètes ni continues mais nous n"en parlerons pas dans ce cours. 1.3 Espérance et moments
quotesdbs_dbs46.pdfusesText_46
P(a 3. Ce point est admis.
Exemple 1.2.7.Reprenons l"exemple précédent. En utilisant la proposition ci-dessus, nous obtenons : -P(X>2)=1P(X2)=1(P(X=1)+P(X=2))=4=6=2=3, -P(X=2)=F(2)F(2)=2=61=6=1=6. Définition 1.2.8.Une variable aléatoire X est dite discrète s"il existe nombre au plus dénom-
brable de valeurs x 1;x2;:::telles que8i;ai:=P(X=xi)>0. (Notation : nous utilisons ici le
symbole ":=» pour dire aiest défini comme étant égal àP(X=xi).) La fonction (qui s"applique aux x
i) x i7!pX(xi)=ai s"appelle la fonction de masse de la variable X. Proposition 1.2.9.Soit X une variable aléatoire réelle discrète, de fonction de masse pXet de
fonction de répartition F X. Nous avons la relation (8i)
p X(xi)=FX(xi)FX(xi):
La fonction F
Xest constante par morceaux. Elle ne change de valeurs qu"aux points xi. Exemple 1.2.10.Reprenons l"exemple précédent du lancer de dé. La variable X est discrète et
nous avons bienP(X=2)=F(2)F(2). 1.2. VARIABLES ALÉATOIRES5
Définition 1.2.11.Une v.a.r. X est dite continue si sa fonction de répartition F est une fonction
continue. Définition 1.2.12.Soit X une v.a.r. S"il existe une fonction f deRdansR+telle que8aP(aXb)=Z
b a f(x)dx; 3. Ce point est admis.
Exemple 1.2.7.Reprenons l"exemple précédent. En utilisant la proposition ci-dessus, nous obtenons : -P(X>2)=1P(X2)=1(P(X=1)+P(X=2))=4=6=2=3, -P(X=2)=F(2)F(2)=2=61=6=1=6.Définition 1.2.8.Une variable aléatoire X est dite discrète s"il existe nombre au plus dénom-
brable de valeurs x1;x2;:::telles que8i;ai:=P(X=xi)>0. (Notation : nous utilisons ici le
symbole ":=» pour dire aiest défini comme étant égal àP(X=xi).)La fonction (qui s"applique aux x
i) x i7!pX(xi)=ai s"appelle la fonction de masse de la variable X.Proposition 1.2.9.Soit X une variable aléatoire réelle discrète, de fonction de masse pXet de
fonction de répartition FX. Nous avons la relation (8i)
pX(xi)=FX(xi)FX(xi):
La fonction F
Xest constante par morceaux. Elle ne change de valeurs qu"aux points xi.Exemple 1.2.10.Reprenons l"exemple précédent du lancer de dé. La variable X est discrète et
nous avons bienP(X=2)=F(2)F(2).1.2. VARIABLES ALÉATOIRES5
Définition 1.2.11.Une v.a.r. X est dite continue si sa fonction de répartition F est une fonction
continue. Définition 1.2.12.Soit X une v.a.r. S"il existe une fonction f deRdansR+telle que8aalors cette fonction f s"appelle la densité de probabilité de X (on dit aussi la densité tout court).
Proposition 1.2.13.La définition ci-dessus implique que si X a une densité f alors8a;b2 [1;+1],P(aXb)=Z
b a f(x)dx; etP(X=a)=0:
Proposition 1.2.14.Soit X une v.a.r. Si X a une densité f alors X est continue et8x2R,F(x)=Z
x 1 f(t)dt: Proposition 1.2.15.Si X est une v.a.r. de fonction de répartition F telle que F est dérivable, alors X a une densité f qui est égale à (8x) f(x)=F0(x): Si F est dérivable partour sauf en un nombre fini de point, X est encore continue et elle a pour densité f=F0(que l"on peut calculer partout sauf en un nombre fini de points, on met n"importe quelle valeur pour f aux points où F n"est pas dérivable). Remarque1.2.16.S"ilyaunnombrefinidepointsoùladérivéede Festcompliquéeàcalculer, on peut se contenter d"assigner à f des valeurs arbitraires en ces points. Exemple 1.2.17.Soit X une v.a.r. ayant la fonction de répartition suivante (voir figure 1.2 pour le dessin) (il s"agit de la variable uniforme sur[0;1])F(x)=8
>>>>><>>>>>:0si x0 x si0x11si1x:
Cette fonction F est continue donc X est une variable continue. La fonction F est dérivable partout sauf aux points0;1. Calculons la dérivée f=F0, nous obtenons (voir figure 1.3 pour le dessin) : f(x)=8 >>>>><>>>>>:0si x<11si0x1
0si1 Remarquons que les valeurs f(0)et f(1) sont arbitraires. 6CHAPITRE 1. ÉVÉNEMENTS ALÉATOIRES ET VARIABLES ALÉATOIRESFigure1.2 - Fonction de répartition de la variable uniforme sur [0;1].Algorithme 1.2Variable uniforme sur [0;1]grand(1,1,"unf",0,1)
//génère une variable aléatoire uniforme dans [0;1] //les deux premiers pramètres veulent dire qu"on récupère un tableau 11 //de variables aléatoires, donc une seule variableVoici le résultat de plusieurs appels successifs de cette instruction
->grand(1,1,"unf",0,1) ans=0.9811097 ->grand(1,1,"unf",0,1) ans=0.9571669 ->grand(1,1,"unf",0,1) ans=0.1098618 Il existe des v.a.r. qui ne sont ni discrètes ni continues mais nous n"en parlerons pas dans ce cours. 1.3 Espérance et moments
quotesdbs_dbs46.pdfusesText_46
6CHAPITRE 1. ÉVÉNEMENTS ALÉATOIRES ET VARIABLES ALÉATOIRESFigure1.2 - Fonction de répartition de la variable uniforme sur [0;1].Algorithme 1.2Variable uniforme sur [0;1]grand(1,1,"unf",0,1)
//génère une variable aléatoire uniforme dans [0;1] //les deux premiers pramètres veulent dire qu"on récupère un tableau 11//de variables aléatoires, donc une seule variableVoici le résultat de plusieurs appels successifs de cette instruction
->grand(1,1,"unf",0,1) ans=0.9811097 ->grand(1,1,"unf",0,1) ans=0.9571669 ->grand(1,1,"unf",0,1) ans=0.1098618 Il existe des v.a.r. qui ne sont ni discrètes ni continues mais nous n"en parlerons pas dans ce cours.