Variable aléatoire

4 • Variables aléatoires réelles 4.1 4.2 4.3 4.4 4.5 4.6 4.7 Généralités sur les variables aléatoires Fonction de répartition Densité de probabilité Discontinuités d’une fonction de répartition et lois discrètes Loi de probabilité d’une variable aléatoire Y fonction d’une variable aléatoire X Indépendance de deux variables aléatoires Moments d’une variable aléatoire 5 • Lois de probabilité discrètes 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 Définition d’une variable discrète

CHAPITRE 4 – CONDITIONNEMENT Variables aléatoires discrètes - Probabilité conditionnelle – Arbre pondéré et calculs de probabilités . I – Variables aléatoires discrètes 1. Loi de probabilité d’une variable aléatoire : Définition : Ω est l’ensemble des issues d’une expérience aléatoire. Définir une variable aléatoire sur E, c’est associer un réel à chaque issue. Exemple : On lance deux fois de suite une pièce de monnaie équilibrée.  On gagne 5€ chaque fois que l’on obtient Pile  On

STS AVA Échantillonnage -A-Théorème de la limite centrée. -A.I-Exemple: Considérons pour la suite X i une suite de variables aléatoires indépendantes suivant toutes X  X 2 ⋯ X n une loi normale N   ;  et notons X n= 1 . n On sait que X 1  X 2 ⋯ X n suit une loi normale et que E  X 1 X 2⋯ X n  =E  X 1 E  X 2  ⋯E  X n =⋯==n   et que 1i n V  X 1 X 2⋯ X n  =V  X 1  V  X 2  ⋯V  X n = 2 2 ⋯ 2 =n  2  n termes n termes Ainsi X 1 

Statistique Plan : Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 : Dénombrement et analyse combinatoire : Calcul de probabilité : Variable aléatoire discrète : Loi de probabilité discrète Chapitre 1 : Analyse combinatoire et dénombrement I . Intuition On va travailler sur des ensembles mathématique ( a,b,c,d ) ; ( 1,2,3,4 ) on note souvent un ensemble , cet ensemble fini est composé de N élément, on dit alors que cardinal de (  ) = N ( nombre total d’élément dans l’ensemble  ). L’objectif

. . . . . . . . . . . . . . . Notion de variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Moments d’une variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Variables à deux dimensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Indépendance de deux variables aléatoires X et Y . . . . . . . . . . . . . . . . .

la probabilité de gagner les 20 e de la roue. 2. On appelle X la variable aléatoire donnant le gain algébrique du joueur c’est-à-dire la différence entre les sommes éventuellement perçues et la participation initiale m. a. Donner les valeurs prises par la variable aléatoire X . b. Donner la loi de probabilité de la variable aléatoire X et vérifier que P (X = −m) est 0,6. c. Démontrer que l’espérance mathématique de la variable aléatoire X est 140 − 51m . E(X )= 80 d. L’organisateur veut fixer la participation

événements . . . . . . . 1.2.1 Événement contraire . . . . . . . . 1.2.2 Intersection de deux événements . 1.2.3 Union de deux événements . . . . 1.3 Probabilité . . . . . . . . . . . . . . . . . . 1.4 Loi équiprobable . . . . . . . . . . . . . . 1.5 Variable aléatoire . . . . . . . . . . . . . . 1.6 Propriétés de l’espérance et de la variance . . . . . . . . . 2 2 2 2 2 3 3 4 5 7 2 Probabilité conditionnelle 2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Représentation

Déterminer la probabilité de l’événement B : « le résultat obtenu est un nombre premier » 4) Caractériser par une phrase l’événement A ∪ B et calculer sa probabilité. EXERCICE 2 : VRAI ou FAUX . A et B sont deux événements de l’univers d’une expérience aléatoire, de loi de probabilité p. Pour chacune des affirmations suivantes, dire si elle est vraie ou fausse. 1) Si A et B sont incompatibles alors ils sont contraires. 2) Si A et B sont contraires, alors ils sont incompatibles. 3) Si p(A) + p(B) = 1

the Supposition of Mendelian Inheritancei 1. [modifier] Contexte général En statistique comme en probabilités, on définit des critères de position ainsi que des critères de dispersion. Dans le domaine des probabilités, la dispersion d'une variable aléatoire réelle X autour de sa moyenne est mesurée par divers indicateurs comme l'écart interquartile, l'étendue, la variance, l'écart type, etc.b 3. En statistique descriptive, où l'étude porte sur une population finie parfaitement connue, la moyenne

MAXIMUM DE VRAISEMBLANCE Définitions : Soit X une variable aléatoire réelle, de loi ou bien discrète ou bien continue, dont on veut estimer un paramètre θ. On note cette famille de lois paramétriques. Alors on définit une fonction f telle que : fθ(x) représente la densité de X (où θ apparaît) et Pθ(X = x) représente une probabilité discrète (où θ apparaît). On appelle vraisemblance de θ au vu des observations (x1,...,xi,...,xn) d'un n-échantillon indépendamment et identiquement distribué selon