Variable dépendante

séparation des variables …………………………………………………………………………………….………7 Résolution de l’équation des cordes vibrantes par la méthode de Cauchy…………………………………………………………………………………..8 Résolution de l’équation par la méthode de Fourier…………………………….11 Deuxième partie : l’équation de la chaleur ……………………………………..15 Introduction …………………………………………………………………………..16 Etude de l’équation de la chaleur par la méthode de propagation ……………19 Résolution de l’équation de la chaleur par la méthode de séparation de variables …………………………………………………………………………………………

valeur d'une variable aléatoire (quand la variable aléatoire est discrète), soit la probabilité que la variable aléatoire appartienne à un intervalle arbitraire (quand la variable est continue).[1] La loi de probabilité décrit l'ensemble des valeurs qu'une variable aléatoire peut atteindre et la probabilité que la valeur de la variable aléatoire soit dans n'importe quel sous ensemble (mesurable) de cet ensemble. La Loi normale, souvent appelée la "courbe en cloche" Quand la variable aléatoire prend

dont les variables sont des grandeurs économiques. » Y=aX+b+e Avec: Y : variable endogène à expliquer X : variable exogène expliquée e : résidu Yousra Cherrouk A. RAPPELS DE NOTIONS Phases de Modélisation Yousra Cherrouk B. H1 LES HYPOTHÈSES DU M.R.S Le modèle est correctement spécifié  La variable explicative retenue est la « meilleure » sans omissions d’autres variables  La vraie relation est linaire ou par rapport aux paramètres à estimer  La 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 49 49 52 54 56 57 58 59 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

p(C/B) = 1 1 1   = p(B)  p(C) 2 2 4 B et C sont donc indépendants.  Indépendance de A, B, et C : p(A et B et C) = 0 car la somme de deux résultats impairs ne peut pas être impaire. p(A et B et C)  p(A)  p(B)  p(C) A, B, et C sont donc dépendants. 2.4. THEOREME DE BAYSE. Soient E1, E2, …, Ek, une série de k événements aléatoires totalement exclusifs. À chacun de ces événements correspond une information initiale qui permet d’évaluer à priori les probabilités p(E1), p(E2), …, p(Ek). p(E1)

6.2.3 6.2.4 6.2.5 6.2.6 6.3 6.4 6.5 Variables aléatoires Définition d’une variable aléatoire Variables aléatoires finies Représentation d’une loi de probabilité finie Espérance mathématique d’une variable finie Variance et écart-type d’une variable finie Loi de probabilité produit Variables aléatoires indépendantes Fonction de répartition Variables infinies dénombrables (hors programme) Variables aléatoires continues Extension de la notion de variable aléatoire 4/179 Biostatistique -

mes choix. Je remercie aussi Mme Cédia Harnais pour son aide précieuse concernant l’écriture de ce mémoire avec LaTex. 1 Table des matières I II 1 Introduction 4 Théorie 6 Rappels de probabilités 1.1 Espace probabilisé . . . . . . . . 1.2 Variable aléatoire réelle . . . . . 1.3 Paramètres d’une loi . . . . . . . 1.3.1 Paramètres de position . . 1.3.2 Paramètres de dispersion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 7 8 12 12 13 2 Estimateur-estimation

ont une structure. En d’autres termes les variables aléatoires composant le processus ne sont pas forcément indépendantes les unes des autres mais établissent certaines relations qui donnent à l’ensemble une sorte de structure. Avant d’aller plus loin dans l’exploration de cette structure, il convient de se pencher sur une notion importante, la fonction d’autocovariance qui est aux séries temporelles ce que la matrice variance-covariance est aux variables aléatoires classiques. Soit X , t = 1 ……

Théorème de Bayes 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 Loi de Dirac

mouvement Brownien s'il satisfait les conditions suivantes : 1. P {ω; B(0, ω) = 0} = 1. 2. pour tous 0 ≤ s < t, la variable aléatoire B(t)−B(s) suit une loi normale centrée de variance t − s, i.e. pour tous a < b, P (a ≤ B(t) − B(s) ≤ b) = 1 2π(t − s) a b e−x 2 /2(t−s) dx. 2 3. B(t, ω) a des incréments indépendants, i.e., pour tous 0 ≤ t1 < t2 < ... < tn , les variables aléatoires B(t1 ), B(t2 ) − B(t1 ), ..., B(tn ) − B(tn−1 ), sont indépendantes. 4. pour P-presque tout ω toutes