Variable aléatoire réelle

définie une variable aléatoire X dont on connaît l'espérance (ou la moyenne) m et l'écart-type s. Population Moyenne m connue. Ecart-type s connu. m Echantillons de taille n { m1 m2 m3 m4 m5 ... mi On s'intéresse aux échantillons de taille n. Auront-ils tous la même moyenne ? Non, certains peuvent être constitués d'éléments atypiques et avoir une moyenne très différente de celle de la population (surtout si l'échantillon est de petite taille). Notons X la variable aléatoire

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

probabilités - Algèbre d'ensembles et vocabulaire des événements - Référentiel, événements aléatoires, espaces probabilisable et probabilisé - Probabilités conditionnelles, totales et composées - Probabilités des causes : formule de Bayes - Indépendance de deux événements Chapitre II : Variables Aléatoires et lois de probabilité - Variables aléatoires discrètes et continues - Valeurs caractéristiques d'une variable aléatoire - Propriétés de l’espérance mathématique et de la variance. Chapitre III : Lois de

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

LOI BINOMIALE I) Introduction La probabilité qu'un tireur atteigne sa cible est p = 3 . 4 1. On suppose qu'il fait deux tirs et on note X la variable aléatoire associant à cette épreuve le nombre de succès obtenus. (X = 0, 1 ou 2) a) Calculer la probabilité des événements [X = 0], [X = 1] et [X = 2]. (On pourra s'aider d'un arbre "pondéré" et on désignera par S les succès et E les échecs). 2 b) Calculer k =0 2. On suppose maintenant qu'il fait six tirs et on note Y le nombre de succès

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

RACHID  OMAR AJDIR  AJERROUD SOUKAINA Généralités et définition On dit qu’une variable aléatoire X suit une loi normale centrée réduite si sa fonction de densité est: Représentation graphique Caractéristiques et propriétés:  Notation N(μ;σ²)  Courbe symétrique autour de μ et a 2 points D’inflexion aux abscisses μ-σ et μ+σ  E(X) = μ  V(X) = σ² La loi normale centrée réduite  Une variable aléatoire X suit la loi normale centrée réduite N (0 ; 1) si sa fonction de densité est la

réduite. Image illustrative de l'article Loi normale Fonction de répartition La courbe rouge représente la fonction \scriptstyle \Phi, fonction de répartition de la loi normale centrée réduite. Paramètres \mu, moyenne (nombre réel) \sigma^2>0, variance (nombre réel) Support \R Densité de probabilité (fonction de masse) \frac1{\sigma\sqrt{2\pi}}\; \exp\left(-\frac{\left(x-\mu\right)^2}{2\sigma^2} \right) \!~ Fonction de répartition \frac12 \left(1 + \mathrm{erf}\,\frac{x-\mu}{\sigma\sqrt2}\right)

On dira qu’un échantillon est représentatif s’il a, pour le caractère étudié, la même structure que la population. Les méthodes ci-dessous permettent d’obtenir de tels échantillons. 1.3 Méthodes d'échantillonnage a) L'échantillonnage aléatoire Un échantillon aléatoire (EA) est un échantillon choisi de telle sorte que chaque unité de la population ait une probabilité connue, non nulle, d'être sélectionnée dans l'échantillon. Très souvent, en pratique, chaque unité de la population a la même probabilité