Variable d'environnement

récurrentes . . . . . . . . . . . . . . . . .. .. .. ..  Propriétés algébriques des chaînes de Markov à espace d’états fini Exercices Bibliographie     Définitions et exemples Définition . Soit (X n )n∈N une suite de variables aléatoires de (Ω, A , P) dans un espace E fini ou dénombrable appelé espace des états. ) On dit que (X n )n∈N est une chaîne de Markov si et seulement si P(X n+1 = j | X n = i , X n−1 = i n−1 , . . . , X 1 = i 1 , X 0 = i 0 ) = P(X n+1 = j | X n

au général, de tirer des énonces généraux a travers une synthèse Loi : rapport constant et démontrer logiquement ou empiriquement entre 2 faits scientifiques Modèle : représentation abstraite, formelle, simplifiée de relations entre concepts ou variables Mot-clé : Mot qui sert à interroger les outils de recherche documentaire Objectif général de recherche : But à atteindre en relation avec la question générale de recherche Objectif spécifique de recherche : objectif qui précise le but à atteindre

plusieurs valeurs dues au hasard, il suit une variable aléatoire. Cette variable aléatoire peut être discrète ou continue (cf. chapitre 1). Dans le cadre des distributions de probabilités plus particulièrement, on peut écrire, pour une variable discrète : P( X ≤ 1 ) = P( X = 0 ) + P( X = 1 ) Une variable continue quant à elle peut prendre n’importe quelle valeur d’un intervalle. Des distributions de probabilités sont adaptées à ces deux types de variables : Loi hypergéométrique Loi binomiale Loi

) , on aboutit à la constitution d'un tableau individus-variables du type suivant : individus I1 I2 I3 I4 I5 , , , In V1 V2 V3 , , Vp Ex. : les individus sont les 200 étudiants de 1e année de DEUG et les variables sont : l'âge, le sexe, le redoublement (oui/non), la série du bac, les notes en maths, stats, économie, etc. Pour décrire ces données, si elles sont nombreuses, le statisticien traitera d'abord les variables une par une (traitements univariés), puis il s'intéressera

résultats seront arrondis à 10−2 près. Une entreprise produit en grande quantité des stylos. La probabilité qu’un stylo présente un défaut est égale à 0, 1. 1) On prélève dans cette production, successivement et avec remise huit stylos. On note X la variable aléatoire qui compte le nombre de stylos présentant un défaut parmi les huit stylos prélevés. a) On admet que X suit une loi binomiale. Donner les paramètres de cette loi. b) Calculer la probabilité des événements suivants : A : « il n’y a aucun

- --- ----------- ----------~ ~-, Solution: 1°/ Appelons X la variable aléatoire égale au nombre d'accidents recensés par jour; les valeurs possibles de X sont entières (variable discrète) et varient de 0 à 5. A chacune de ces valeurs Xi, on associe sa probabilité de réalisation Pi: nombre de jours d'apparitions divisé par 200. Nombre Xi d'accidents Probabilités Pi 0,43 ° 1 0,41 2 0,11 3 0,035 4 0,01 5 0,005 Le nombre moyen d'accidents par jours est alors l'espérance

5. Devoirs Partie 1 Introduction et Modèle Statistique CHAPITRE 1 Introduction Considérons un problème de Fiabilité où l’on étudie la durée de vie X d’un matériel. Il est raisonnable d’admettre que celle-ci est aléatoire et X est alors une variable aléatoire (v.a.) de fonction de répartition (f.d.r.) F . Supposons que l’on soit précisément intéressé par l’évaluation de la probabilité que le matériel soit en marche après un temps t0 de fonctionnement, c’est à dire évaluer ¯ F (t0 ) = P (X >

client demandant un crédit immobilier est une variable aléatoire, notée X , qui suit la loi normale de moyenne 40, 5 et d’écart type 12. a. Calculer la probabilité que le client demandeur d’un prêt soit d’un âge compris entre 30 et 35 ans. b. Calculer la probabilité que le client n’ait pas demandé un prêt immobilier avant 55 ans. 2. Dans un slogan publicitaire, la banque affirme que 75 % des demandes de prêts immobiliers sont acceptées. Soit F la variable aléatoire qui, à tout échantillon de 1 000 demandes

de base : Variable indépendante : Élément du dispositif expérimental que l’expérimentateur fait varier pour étudier les effets de ces variations sur une mesure. Dans l’expérience on a deux VI : - VI1 = type de question : impliquante VS non-impliquante => between (entre sujets, un sujet a été soit dans une condition, soit dans l’autre). - VI2 = moment de la réponse : avant VS après discussion => within (intrasujet, chaque sujet a été dans les deux conditions). Variable dépendante :

binomiale de paramètres (n, p), alors : E[X] = np & Var(X) = np(1 − p) = npq. Autrement dit, la somme de 2 variables binomiales indépendantes et de même paramètre p suit elle aussi une loi binomiale de paramètre p (voir le corrigé de l’exercice 2.9). Le lien Bernoulli-Binomiale rend ces formules élémentaires : l’espérance est linéaire dans tous les cas et la variance l’est ici puisque les variables X1 , . . . , Xn sont indépendantes. La propriété suivante découle d’ailleurs du même raisonnement : 