en ap : la méthode de monte-carlo.monte-carlo

20
Probabilités et statistique en TS

Upload: fabrice-vernet

Post on 03-Apr-2015

123 views

Category:

Documents


1 download

TRANSCRIPT

Page 1: En AP : La méthode de Monte-Carlo.Monte-Carlo

Probabilités et statistique en TS

Page 2: En AP : La méthode de Monte-Carlo.Monte-Carlo
Page 3: En AP : La méthode de Monte-Carlo.Monte-Carlo
Page 4: En AP : La méthode de Monte-Carlo.Monte-Carlo
Page 5: En AP : La méthode de Monte-Carlo.Monte-Carlo

En AP : La méthode de Monte-Carlo.

Page 6: En AP : La méthode de Monte-Carlo.Monte-Carlo
Page 7: En AP : La méthode de Monte-Carlo.Monte-Carlo

Loi Normale

1. Comment centrer et réduire ?

Une variable aléatoire est dite centrée et réduite si son espérance est nulle et

si son écart type vaut 1.

Soit X une variable aléatoire discrète d’espérance m et d’écart type non nul.

La variable aléatoire X mZ

a une espérance nulle et un écart type égal à 1.

Ainsi, si X suit la loi binomiale ( , )B n p , alors Z aura pour espérance 0 et pour

écart type 1.

Page 8: En AP : La méthode de Monte-Carlo.Monte-Carlo
Page 9: En AP : La méthode de Monte-Carlo.Monte-Carlo

Théorème de Moivre-Laplace :

On suppose que pour tout entier n la variable aléatoire nX suit une loi binomiale ( , )B n p .

On pose (1 )

nn

X npZ

np p

, variable centrée réduite associée à nX .

Alors, pour tout réels a et b tels que a b , on a : 2

21lim ( )

2

xb

n anP a Z b e dx

La loi normale centrée réduite.

Définition : Une variable aléatoire X suit la loi normale centrée réduite notée (0,1)N si,

pour tous réels a et b tels que a b , on a :

2

21( ) ( )

2

xb b

a aP a X b f x dx e dx

La f onction f défi nie sur R par 2

21

2

x

e

est appelée la f onction densité de la loi (0,1)N .

Page 10: En AP : La méthode de Monte-Carlo.Monte-Carlo
Page 11: En AP : La méthode de Monte-Carlo.Monte-Carlo
Page 12: En AP : La méthode de Monte-Carlo.Monte-Carlo

Calculer des valeurs avec les calculatrices :

Casio : Menu stat / Dist / Norm / Ncd

TI 83plus : Distr / Normal cdf

Défi nition :

Une variable aléatoire X suit la loi N (μ , σ2) lorsque la variable aléatoire

X

suit la loi normale N(0,1)

Page 13: En AP : La méthode de Monte-Carlo.Monte-Carlo

Connaître une valeur approchée des probabilités suivantes

2 2

3 3

( ) 0,68P X à 10-2 prés.

( 2 2 ) 0,95P X à 10-2 prés.

( 3 3 ) 0,997P X à 10-2 prés.

La variable aléatoire X suit la loi N(μ , σ2)

Page 14: En AP : La méthode de Monte-Carlo.Monte-Carlo

Intervalle de fluctuation. Intervalle de confiance.

Attention au vocabulaire !

Population

Echantillon

On connait une proportion p dans une population (par exemple la proportion p de femmes)

On calcule la fréquence de femmes f. Si f est dans l’intervalle de fluctuation de p, l’échantillon est dit représentatif de la population pour ce critère au seuil 1-

On sélectionne un échantillon de taille n par tirage au sort de la populationp est connu. On détermine un intervalle

de fluctuation.

Page 15: En AP : La méthode de Monte-Carlo.Monte-Carlo

Population

Echantillon

p est inconnuOn détermine

un intervalle de confiance

On calcule la fréquence de personnes étant sportives : f

On ne connait pas la proportion p de personnes étant sportives

A partir des données de l’échantillon on estime un paramètre inconnu de la

population par un intervalle de confiance

Page 16: En AP : La méthode de Monte-Carlo.Monte-Carlo
Page 17: En AP : La méthode de Monte-Carlo.Monte-Carlo

Intervalle de fluctuation

Page 18: En AP : La méthode de Monte-Carlo.Monte-Carlo
Page 19: En AP : La méthode de Monte-Carlo.Monte-Carlo

Intervalle de confiance

Page 20: En AP : La méthode de Monte-Carlo.Monte-Carlo