Loi binomiale

Probabilit´s conditionnelles . . . . . . . . . e 3 Variable al´atoire discr`te e e 3.1 Variable al´atoire . . . . . . . . . . . e 3.1.1 D´finition g´n´rale . . . . . . e e e 3.1.2 Variables al´atoires discr`tes e e 3.1.3 Variables al´atoires continues e 3.2 Loi d’une variable al´atoire discr`te . e e 3.2.1 D´finition . . . . . . . . . . . e 5 . 5 . 5 . 5 . 5 . 6 . 6 . 6 . 7 . 7 . 7 . 7 . 7 . 8 . 8 . 8 . 9 . 11 13 13 14 14 15 17 18 23 23 23 23 24 24 24 . . . . . . . . . . . . . . . . . . . . . . . . .

Exercices - Variables aléatoires discrètes : corrigé Variables discrètes finies - Exercices pratiques Exercice 1 - Loi d’un dé truqué - L2/ECS 1. X prend ses valeurs dans {1, . . . , 6}. Par hypothèse, il existe un réel a tel que P (X = k) = ka. Maintenant, puisque PX est une loi de probabilité, on a : 6 P (X = k) = 1 ⇐⇒ a k=1 6×7 = 1 =⇒ a = 1/21. 2 On a donc : k P (X = k) 1 2 3 4 5 6 1 21 2 21 3 21 4 21 5 21 6 21 On vérifie aisément en

Rappels sur les intervalles de confianceQuelques rappels sur les intervalles de confiance I/ Généralités Soient : X une variable aléatoire de loi paramétrée par θ et X 1 ,...,X n n variables i.i.d selon la loi de X. 1) Principe d’un intervalle de confiance Plutôt que d’estimer ponctuellement la vraie valeur inconnue du paramètre θ , on recherche un intervalle recouvrant «très vraisemblablement » cette vraie valeur. Définition : On appelle intervalle de confiance de niveau de confiance 1− α du paramètre

Les relevés laissés par les colons espagnols de l'époque ont permis d’établir que l’espérance de X, notée m, était de 3 dm seulement Que peut-on dire de la probabilité p= P(|X-m|>1) dans les cas suivants : a) X suit une loi de Poisson b) X suit une loi exponentielle c) X suit une loi inconnue d’écart-type σ = 0,5 IV - Dans les déserts de l'Ouest californien, les plantes comestibles et le gibier étaient extrêmement rares et une famille épuisait la nourriture à plusieurs milles à l'entour de son campement

non N’a pas tout plein de chiffre après la virgule Variable qualitative (couleur de cheveux, niveau de satisfaction, sexe, type de c/) Variable quantitative discrète (nb de cas de grippe dans une famille de 5pers, nb de jeune dans une portée…) Loi de proba : somme des proba = 1 Espérance : C’est la valeur moyenne de X : μ Propriétés : (X et Y, 2 v.a discrètes def sur le même univers) E(XY) = E(X) E(Y) E(aX) = aE(X) E(a+X) = a + E(X) Soit Z = X-E(X), E(Z) = E[X-E(X)] = E(X)-E[E(X)]

Variables aléatoires : X Loi de probabilités : soit p(xi) = P(X = xi) la probabilité que X = xi ∑ P(X = xi) = 1 si X est discrète, la loi de proba : X=xi x1 x2… P(X=xi) P1 P2… 1 f(x) ≥ 0 ∫f(x)dx = 1 sur tt domaine P(a ≤ X ≤ b) = ∫f(x)dx sur [a,b] si X est continue on définit une fonction f(x) de densité telle que : Fonction de répartition pour une v.a discrète : F(x) = P(X ≤ x) = ∫f(x)dx f(x) = (F(x))’ Propriétés : 0 ≤ F(x) ≤ 1, monotone décroissante, continue à droite. Loi de probabilité simultanée

de l’approche bayésienne est le calcul de la loi a posteriori. Ce calcul est facilité lorsque loi a priori et loi a posteriori ont la même forme. Dans ce cas, on parle de loi a priori conjuguée. Définition 9 – Une famille F de lois sur Θ est dite conjuguée si, pour tout π appartenant à cette famille, la loi π(θ/x) appartient également à celle-ci. Dans ce cas, le praticien induit directement la forme de son estimateur dès qu’il a choisi sa loi a priori. Exemples de lois conjuguées f (x/θ)

Chapitre 9 Chapitre 9. Lois à densité Activités et applications 2. Loi exponentielle Activité. Ajuster une courbe pour calculer des probabilités 1. Loi uniforme Activité. Une simulation 1. 1. La fréquence est 103 = 0,103. 1 000 Ύ2 000 3 000 f(x) dx. 2. y 2. Sur l’ordinateur. 3. Il faut entrer la formule, =NB.SI(A2:A1001;''<0,2'')–NB.SI(A2:A1001;''<0,1'') . 4. x X < 0,1 0,1 < X < 0,2 0,1 < X < 0,4 X > 0,6 10 % Intuition Fréquence trouvée 0,103 par la simulation 10 % 30 % 0 40 % y

e e 2.1.1 Loi de Bernoulli . . . . . . . . . . . . . . . 2.1.2 Loi binomiale . . . . . . . . . . . . . . . . 2.1.3 Loi hyperg´om´trique . . . . . . . . . . . . e e 2.1.4 Loi de Poisson ou loi des ´v´nements rares e e 2.1.5 Loi binomiale n´gative . . . . . . . . . . . e 2.1.6 Loi de Pascal . . . . . . . . . . . . . . . . 2.2 Quelques lois de probabilit´ continues . . . . . . . e 2.2.1 Quelques d´finitions pr´liminaires . . . . . e e 2.2.2 Loi normale ou de Laplace Gauss . . . . . 2.2.3 Loi du χ2 .

de loi uniforme sur [0, 1] (sous scilab, commande rand). En général, ce générateur n’est que “pseudo-aléatoire” au sens où il est construit sur un algorithme déterministe. Mais on suppose qu’il est parfait, et que différents appels à cet algorithme fournissent des variables aléatoires de loi uniforme sur [0, 1], indépendantes. A partir de cette brique de base, on peut obtenir toutes les lois, par des considérations assez simples. 1. Utilisation de propriétés de certaines lois (1) La loi de