Variable aléatoire réelle

points A; Ω et J sont alignes EXERCICE2 on dispose de deux dés en apparence identiques dont l' un est parfait et l' autre truqué. Les faces de chacun sont numérotés de 1à6 1 3 1)a) on lance le dé parfait 3 fois de suite on désigne par X la variable aléatoire donnant le nombre de fois ou la face portant le chiffre 4 apparait quelle est la loi de X b) On lance le dé truque 3 fois de suite ; quelle est la probabilit é d' obtenir exacement deux fois la face portant le chiffre 4 2) On choisi au hasard

175 = 0, 425 La probabilité est donc égale à 0,425. 3. La probabilité pour que le concurrent ait tiré un jeton « L »sachant qu’il a effectué son trajet à vélo est : P V (L) = P (L ∩ V ) 0, 25 × 0, 7 = ≈ 0, 412 P (V ) 0, 425 4. Posons X la variable aléatoire représentant le nombre d’épreuves remportées par un concurrent non cycliste. 1 X suit alors une loi binomiale de paramètre n = 6 et p = : X → B 6; 1 . 3 3 La probabilité qu’au moins une épreuve ait été remportée par un non cycliste est : P (X

88493 Pour calculer (x) avec un nombre négatif , on utilise la propriété : Pour tout réel x on a : (- x) = 1 - (x) Si X est une variable aléatoire suivant la loi N(0 ; 1 ) on a : p(- x X x) = 2 (x) - 1 Exemple : (-1,2) = 1 - 0,88493 = 0,11507 Pour calculer p( X x ) où X est une variable aléatoire suivant la loi normale N( m ; ) , il suffit de faire le changement de variable T = (X - m)/ puisque la variable aléatoire T suit alors une loi normale centrée réduite. Exemple : calculons p( X 3,2 ) sachant

que, à l’issue de ces deux opérations, les deux urnes aient la même composition ? 2. Les urnes ont la composition donnée au début de l’exercice. On tire simultanément trois pièces de l’urne A ; ces pièces sont ensuite placées dans B. Soit X la variable aléatoire qui prend pour valeur le nombre de pièces en cuivre contenues dans B à l’issue de ces opérations. a. Montrer que la valeur minimale prise par X est 5. b. Déterminer la loi de probabilité de X . c. Calculer l’espérance mathématique de X .

variabilité des conditions d’expérience : on écrira y = f HxL + ! , où ! est une variable aléatoire. Chapitre 7 : La régression linéaire 107 1. La droite des moindres carrés 1.1. Nuage des individus Le problème est d’étudier l’influence d’une variable quantitative X sur une autre variable quantitative Y . La première est souvent appelée variable explicative (ou encore exogène) et la seconde est appelée variable expliquée (ou encore endogène). Pour résoudre ce problème, on a réalisé une expérimentation

Projet de Monte Carlo 1 Question1 : Soit Wt un mouvement brownien, alors : * Le processus Wt est gaussien * EWt=0 * EWtWs=min⁡(t,s) * Montrons que Wt est suit une N0,t En effet Wt est une variable aléatoire gaussienne et EWt=0 De plus on sait que EWtWs=min⁡(t,s) donc EWt2=t On en déduit que Wt suit une N0,t donc W0 suit une N0,0 donc W0=0 p.s * Montrons que E(Wt+r-Wt)Ws=EWt+r-WtEWs pour r > 0 et pour tout s ≤ t Soit r > 0 et s ≤ t On a E(Wt+r-Wt)Ws=EWt+rWs-EWtWs=s-s=0

Définitions et principaux types de processus stochastiques a- Processus stochastique On dit qu’un variable suit un processus stochastique lorsque les changements de valeur de cette variable, au cour du temps sont ,au moins en partie, aléatoires. Les deux termes aléatoire et stochastiques sont synonymes. Mais pour la variable, on utilise, de préférence, le terme aléatoire. On dit une variable aléatoire. Pour désigner le processus qui se déroule dans le temps, on utilise de préférence le terme stochastique

Soit X la variable aléatoire associée au nombre d’heures par semaine pendant lesquelles la machine ne fonctionne pas. a) Déterminez la loi de probabilité de la variable aléatoire X (1 point). b) Quelle est la probabilité que la machine soit arrêtée pendant 8 heures ou plus de 8 heures. (1 point) ? c) Calculez l’espérance mathématique du temps d’interruption de la machine au cours d’une semaine ainsi que l’écart type du temps d’interruption. (2 points) 3) Soit M la variable aléatoire associée

Théorème de renouvellement en Chaine de Markov Introduction : Une chaîne de Markov est une suite de variables aléatoires (Xn, n ∈ N) qui modélise l’évolution dynamique d’un système aléatoire. La v.a Xn représente l’état du système à l’instant n. La propriété fondamentale des chaînes de Markov, dite propriété de Markov, est que son évolution future ne dépend du passé qu’à travers sa valeur présente. Définitions : Soient (Ω,a,P) un espace de proba et E l’espace des états. 1) Une matrice

réaliser une prévision de la chronique. Connaissant a0 et a1, le processus xtpeut-êtrestationnarisé en retranchant de la valeur dext ent, la valeur estiméea0 et a1 t . Dans ce type de modélisation, l’effet produit par un choc (ou par plusieurs chocs aléatoires) à un instant t est transitoire. Le modèle étant déterministe, la chronique retrouvera son mouvement de long terme qui est ici la droite de tendance. Il est possible de généraliser cet exemple à des fonctions polynomiales de degré quelconque mais