Mélange lois à densité et discrète ou va bruitée
Réponses
-
Q1$\mathbb{E}(Y)=\mathbb{E}(aX+U)=a.\mathbb{E}(X)+\mathbb{E}(U)=a \times p + 0 =ap$$\mathbb{V}(Y)=\mathbb{V}(aX+U)=a^2.\mathbb{V}(X)+\mathbb{V}(U)=a^2.p(1-p)+\sigma^2$$\mathbb{E}(XY)=\mathbb{E}(aX^2+XU)=a.\mathbb{E}(X^2)+\mathbb{E}(XU)$Par indépendance de $X$ et $U$, $\mathbb{E}(XU)=\mathbb{E}(X)\mathbb{E}(U)=0$Or $\mathbb{E}(X^2)=0^2.\mathbb{P}(X=0)+1^2.\mathbb{P}(X=1)=p$ donc $\mathbb{E}(XY)=ap$$\mathbb{V}(XY)=\mathbb{V}(aX^2+XU)=a^2.\mathbb{E}(X^2)+\mathbb{V}(XU)$$\mathbb{V}(XU)$ je ne vois pas ... Ce mélange discret / continue me perturbe !
-
Q2.aPour la fonction de répartition soit $y \in \mathbb{R}$.$\mathbb{P}(Y \leq y)=\mathbb{P}([a \times 1 + U \leq y] \cup [a \times 0 + U \leq y])=\mathbb{P}([a + U \leq y] \cup [ U \leq y])$Ici il faut discuter selon la valeur de a.Si $a>0$, $\mathbb{P}(Y \leq y)=H(y)$Si $a<0$, $\mathbb{P}(Y \leq y)=H(y-a)$Q2.bLa fonction de répartition est de classe $\mathbf{C}^1$ sur $\mathbb{R}$ continue en tout point à droite sur $\mathbb{R}$.On a bien $\lim_{n \mapsto -\infty} F_Y(y)=0$ et $\lim_{n \mapsto +\infty} F_Y(y)=1$On dérive pour obtenir la densité, si $h(t)=\frac{1}{\sqrt{2.\pi}\sigma}.e^{-\frac{t^2}{2\sigma^2}}$ alors$f_Y(t)=h(t-a)=\frac{1}{\sqrt{2.\pi}\sigma}.e^{-\frac{(t-a)^2}{2\sigma^2}}$ si $a<0$$f_Y(t)=h(t)=\frac{1}{\sqrt{2.\pi}\sigma}.e^{-\frac{t^2}{2\sigma^2}}$ si $a>0$.
-
Q3a
Les va Y et X ne sont pas indépendantes.On a le résultat si $f_X(x)>0$, $f_Y(y|X=x)=\frac{f(x,y)}{f_X(x)}$ avec$f(x,y)$ la loi conjointe de $(X,Y)$.Il n'y a pas dans le cours de résultats sur les fr et les va conditionnelles.Je n'ai pas non plus la loi conjointe de $(X,Y)$ donc à réfléchir ....Soit $y \in \mathbb{R}$$F_{Y|X=x}(y)=\mathbb{P}(Y \leq y | X=x)=\frac{\mathbb{P}(Y \leq y , X=x)}{\mathbb{P}(X=x)}$ si $\mathbb{P}(X=x) \neq 0$Donc ici on discute selon le cas $x=0$ et $x=1$ ? Je ne comprends pas l'objet de cette question !Si $x=0$, $F_{Y|X=x}(y)=\mathbb{P}(Y \leq y | X=x)=\frac{\mathbb{P}(U \leq y , X=0)}{\mathbb{P}(X=0)}=\frac{F_Y(y)}{1-p}$Si $x=1$, $F_{Y|X=x}(y)=\mathbb{P}(Y \leq y | X=x)=\frac{\mathbb{P}(U \leq y , X=1)}{\mathbb{P}(X=1)}=\frac{F_Y(y-a)}{p}$Est-ce cela ? -
Bonjour
Question 1 : utilise la relation de Koenig-Huygens pour le calcul de V(XY), tu pourras t'en sortir par indépendance de X et U.Question 2a : ta répartition est fausse, il doit y avoir 2 termes et tu a fait sauter les événements X=0 et X=1 dans ta formule des probabilités totales.La suite va être à reprendre. -
Je reprends 2aPour la fonction de répartition soit $y \in \mathbb{R}$.
\begin{align*}
\mathbb{P}(Y \leq y)&=\mathbb{P}( ([a \times 1 + U \leq y] \cap [X=1]) \cup ([a \times 0 + U \leq y] \cap [X=0]) )\\
&=p.\mathbb{P}([a + U \leq y] + (1-p).\mathbb{P} [ U \leq y])\\
&= p.H(y-a)+(1-p).H(y).
\end{align*} Est-ce que c'est bon ? -
C'est bien mieux.
-
Oui mais c'est juste ?
-
Je reprends aussi
Q2.b
La fonction de répartition est de classe $\mathbf{C}^1$ sur $\mathbb{R}$ continue en tout point à droite sur $\mathbb{R}$.
On a bien $\lim_{n \mapsto -\infty} F_Y(y)=0$ et $\lim_{n \mapsto +\infty} F_Y(y)=1$
On dérive pour obtenir la densité, si $h(t)=\frac{1}{\sqrt{2.\pi}\sigma}.e^{-\frac{t^2}{2\sigma^2}}$ alors
$f_Y(t)=p.h(t-a)+(1-p).h(t)=p.\frac{1}{\sqrt{2.\pi}\sigma}.e^{-\frac{(t-a)^2}{2\sigma^2}} + (1-p).\frac{1}{\sqrt{2.\pi}\sigma}.e^{-\frac{t^2}{2\sigma^2}}$. -
Pour la Q3a c'est correct ?
-
Je reprends la question Q1$\mathbb{V}(XY)=\mathbb{V}(aX^2+XU)=a^2.\mathbb{E}(X^2)+\mathbb{V}(XU)$$\mathbb{V}(XU)=\mathbb{E}((XU)^2)-(\mathbb{E}(XU))^2$On a $\mathbb{E}(XU)=0$ par indépendance. Donc $\mathbb{V}(XU)=\mathbb{E}((XU)^2)$. Là on ne peut pas calculer d'un coup, et on ne peut pas choisir entre discret et continue.$[XU]=[U] \cup [0]$ en prenant $X=0$ puis $X=1$. Donc $\mathbb{V}(U^2)=?$. $\mathbb{V}(U^2)=\mathbb{E}(U^4)-(\mathbb{E}(U^2))^2$.
-
Que vaut $\mathbb{E}((XU)^2)$ ?Pour la 3a, tu as encore fait disparaître X=0 et X=1 au numérateur.
-
Désolé pour la Q3a je reprends.Soit $y \in \mathbb{R}$$F_{Y|X=x}(y)=\mathbb{P}(Y \leq y | X=x)=\frac{\mathbb{P}(Y \leq y , X=x)}{\mathbb{P}(X=x)}$ si $\mathbb{P}(X=x) \neq 0$Donc ici on discute selon le cas $x=0$ et $x=1$ ? Je ne comprends pas l'objet de cette question !Si $x=0$, $F_{Y|X=x}(y)=\mathbb{P}(Y \leq y | X=x)=\frac{\mathbb{P}(U \leq y , X=0)}{\mathbb{P}(X=0)}=\frac{(1-p).F_Y(y)}{1-p}=F_Y(y)$Si $x=1$, $F_{Y|X=x}(y)=\mathbb{P}(Y \leq y | X=x)=\frac{\mathbb{P}(U \leq y , X=1)}{\mathbb{P}(X=1)}=\frac{p.F_Y(y-a)}{p}=F_Y(y-a)$Donc si $y \in \mathbb{R}$, $F_{Y|X=x}(y)=F_Y(y-ax)$
-
$\mathbb{E}((XU)^2)=\mathbb{E}(X^2U^2)=\dots$
-
Ok là c'est le lemme des coalitions $X$ et $U$ indep alors $X^2$ et $U^2$ sont indep.$\mathbb{E}((XU)^2)=\mathbb{E}(X^2)\mathbb{E}(U^2)=p.\mathbb{E}(U^2)=p.\mathbb{V}(U)=p.\sigma^2$
-
oui pour l'espérance et la 3a.
-
Pour la Q3a tu es d'accord ?
-
Je me rends compte j'ai fait des erreurs à toutes les questions !Q3b
Je distingue $x=0$ et $x=1$
Si $x=0$, $\mathbb{P}(X=0 | Y \leq y)=\frac{\mathbb{P}(X=0 , Y \leq y)}{\mathbb{P}(Y \leq y)}=\frac{\mathbb{P}(X=0).\mathbb{P}(U \leq y)}{\mathbb{P}(Y \leq y)}=\frac{(1-p).H(y)}{(1-p).H(y)+p.H(y-a)}$
Si $x=1$, $\mathbb{P}(X=1 | Y \leq y)=\frac{\mathbb{P}(X=1 , Y \leq y)}{\mathbb{P}(Y \leq y)}=\frac{\mathbb{P}(X=1).\mathbb{P}(a+U \leq y)}{\mathbb{P}(Y \leq y)}=\frac{p.H(y-a)}{(1-p).H(y)+p.H(y-a)}$Je distingue $x=0$ et $x=1$
Si $x=0$, $\mathbb{P}(X=0 | y < Y \leq y+h)=\frac{\mathbb{P}(X=0 , y < Y \leq y+h)}{\mathbb{P}(y < Y \leq y+h)}=\frac{\mathbb{P}(X=0 , y < U \leq y+h)}{\mathbb{P}(y < Y \leq y+h)}=(1-p).\frac{H(y+h)-H(y)}{F_Y(y+h)-F_Y(y)}$
Si $x=1$, $\mathbb{P}(X=1 | y < Y \leq y+h)=\frac{\mathbb{P}(X=1 , y < Y \leq y+h)}{\mathbb{P}(y < Y \leq y+h)}=\frac{\mathbb{P}(X=1 , y < a+U \leq y+h)}{\mathbb{P}(y < Y \leq y+h)}=p.\frac{H(y-a+h)-H(y-a)}{F_Y(y+h)-F_Y(y)}$ -
C'est bien
-
Q3c.
$\mathbb{P}(X=1 | Y=y)= \lim_{h \mapsto 0^+} \mathbb{P}(X=1 | y < Y \leq y+h)= \lim_{h \mapsto 0^+} p.\dfrac{H(y-a+h)-H(y-a)}{F_Y(y+h)-F_Y(y)}$.
En notant $\phi$ la fx densité de la loi de $U$
$\displaystyle \lim_{h \mapsto 0^+} p.\frac{H(y-a+h)-H(y-a)}{F_Y(y+h)-F_Y(y)} = p. \lim_{h \mapsto 0^+} \frac{h.\phi(y-a)+o_0(h)}{h.f_Y(y)+o_0(h)}= p.\frac{\phi(y-a) }{(1-p)\phi(y)+p.\phi(y-a)}=\frac{1 }{1+\frac{1-p}{p}.\frac{\phi(y)}{\phi(y-a)}}$
On lit alors :
$\frac{\phi(y)}{\phi(y-a)}=e^{a^2/2\sigma^2}.e^{(-a/\sigma^2).y}$
Donc $A=\frac{1-p}{p}.e^{a^2/2\sigma^2}$ et $B=-a/\sigma^2$.Cet exercice est infernal. -
À revoir, en plus il faut lui donner la forme attendue (je n'ai pas regardé plus loin que cette question).
-
Q4
Ici $\{Y(1-X)\}=[\{Y(1-X)\} \cap \{X=0\}] \cup [\{Y(1-X)\} \cap \{X=1\}]=[\{Y\} \cap \{X=0\}] \cup [\{0\} \cap \{X=1\}]$Soit $z \in \mathbb{R}$, $\mathbb{P}(Z \leq z)=\mathbb{P}(X=0).\mathbb{P}(Y \leq z)+\mathbb{P}(0 \leq z)\mathbb{P}(X=1)=(1-p).F_Y(z)+?$C'est faux j'ai un gros doute sur $[\{0\} \cap \{X=1\}]$ est-ce que c'est $[ \{X=1\}]$. Cet exo est miné !Là j'ai besoin d'une aide. -
Je trouve un signe différent dans l'exponentielle de A. Et le signe de B n'est pas correct.
-
$\frac{\phi(y)}{\phi(y-a)}=\frac{e^{-y^2/2\sigma^2}}{e^{-(y-a)^2/2\sigma^2}}=e^{(+(y-a)^2-y^2)/2\sigma^2}=e^{(-2ay+a^2)/2\sigma^2}$Donc $A=\frac{1-p}{p}.e^{a^2/2\sigma^2}$ et $B=a/\sigma^2$.
-
OK (je m'étais trompé dans A).
-
Bon je vais me coucher ... À demain
-
Q5
On veut calculer l'erreur quadratique et l'optimiser selon la valeur de c. Donc du coup on doit faire apparaître le calcul en fonction de c.Vous constaterez que l'énoncé est ambiguë puisqu'on ne sait pas si on calcule $\mathbb{E}[(X-X^*)^2]$ ou $\mathbb{E}[(X-X^*)]^2$C'est bien entendu $\mathbb{E}[(X-X^*)^2]$ par définition.$\mathbb{E}[(X-X^*)^2]=\mathbb{E}[(X-X^*)^2.\mathbb{1}_{Y>c}+(X-X^*)^2.\mathbb{1}_{Y\leq c}]$Si on calcule les 2 espérances on a que la première $\mathbb{E}[(X-X^*)^2.\mathbb{1}_{Y>c}=p$ et $\mathbb{E}[(X-X^*)^2.\mathbb{1}_{Y\leq c}]=1-p$ donc je ne répond pas à la question.L'idée est-elle de proposer par test la médiane ou l'espérance de $X$ car elles semblent être des candidates naturelles.Idem qui peut répondre ? -
Je demande aussi un éclairage pour Q4, voir plus haut. JLapin es-tu là ?
-
Je peux reprendre rapidement.
Q4 : $\{Y(1-X)\}$ n'a pas de sens, ce n'est pas un événement, tu dois partir de $\{Y(1-X)\leq z\}$.
L'événement $\{0\leq z\}$ est un événement déterministe, aucun aléa là-dedans. C'est donc soit l'événement certain avec proba 1, soit l'événement impossible avec proba 0. Ainsi, $\mathbb{P}(\{0\leq z\})=\mathbb{1}(0\leq z)$.
Q5 : $X$ et $X^*$ prennent les valeurs $0$ et $1$ donc $(X-X^*)^2$ prend les valeurs $0$ et $1$. Tu peux utiliser la formule de transfert en déterminant la loi du couple $(X,X^*)$. Tu n'as besoin que de calculer $\mathbb{P}(X \neq X^*)$. Je te laisse terminer. -
LeVioloniste a dit :JLapin es-tu là ?
-
La soif de connaissance et de repousser ses limites JLapin me font du bien intellectuellement JLapin !
-
Je reprends Q4
Soit $z \in \mathbb{R}$,
$\{Y(1-X) \leq z \}=[\{Y(1-X) \leq z \} \cap \{X=0\}] \cup [\{Y(1-X) \leq z \} \cap \{X=1\}]=[\{Y \leq z \} \cap \{X=0\}] \cup [\{0 \leq z \} \cap \{X=1\}]$
$\mathbb{P}(Z \leq z)=\mathbb{P}(X=0).\mathbb{P}(Y \leq z)+\mathbb{P}(0 \leq z)\mathbb{P}(X=1)=(1-p).\mathbb{P}(U \leq z)+p.\mathbb{P}(0 \leq z) = (1-p).H(z)+p.\mathbb{1}_{[0,+\infty[} (z)$
Voilà. -
A priori, $H$ est la fonction de répartition d'une N(0,1) tandis que U suit une N(0,sigma²).... Du coup, à reprendre ainsi que les éventuelles questions précédentes où tu aurais fait l'erreur.
-
Oui bien vu @Alexique je modifierai tout cela. Bien que je pense qu'il faut remplacer $H(z)$ par $H(\sigma.z)$, à vérifier.
-
$H(\frac{z}{\sigma})$ plutôt mais à toi de vérifier.
-
Si tu as une loi $X \sim \mathbf{N}(m,\sigma^2)$ de densité $\phi(x)$ alors il est connu que $\phi(\frac{x-m}{\sigma})$ est centrée réduite.
D'accord ?
Si $\phi(x)$ correspond à $\mathbf{N}(0,\sigma^2)$ alors $\phi(x/\sigma)$ correspond à $\mathbf{N}(0,1)$
Donc à l'envers
si $\phi(x)$ correspond à $\mathbf{N}(0,1)$ alors $\phi(\sigma.x)$ correspond à $\mathbf{N}(0,\sigma^2)$Est-ce que ça change qqch quand on passe aux fonctions de répartitions ? -
Q5
La loi du couple $(X,X^*)$ on ne peut pas l'établir, en général on donne les fonctions de densité de loi conjointe.
Mon idée c'est de dire que l'erreur minimale est $0$ lorsque $X=X^*$.$\mathbb{P}(X=X^*)=\mathbb{P}([\{ X=1\} \cap \{ Y>c\}] \cup [\{ X=0\} \cap \{ Y \leq c\}]) = \mathbb{P}([\{ X=1\} \cap \{ U>c-a\}]) + \mathbb{P}( [\{ X=0\} \cap \{ U \leq c\}]) = p.(1-H((c-a)/\sigma))+(1-p).H(c/\sigma)$
J'ai une fonction de $c$, mais que dire ? -
Est-ce que ça change qqch quand on passe aux fonctions de répartitions ?Je ne sais pas, peut-être, peut-être pas. Tu peux me montrer que j'ai raison ou que j'ai tort mais je ne le ferai pas à ta place.La loi du couple $(X,X^∗)$ on ne peut pas l'établir, en général on donne les fonctions de densité de loi conjointe.La loi du couple par définition, c'est la loi jointe. On peut donner densité, fonction de répartition, caractéristique, peu importe...Mon idée c'est de dire que l'erreur minimale est $0$ lorsque $X=X^*$.Pas rigoureux (et l'erreur minimale ne vaut pas $0$). Que dit le théorème de transfert ?
Tu cherches à minimiser en $c$ une fonction, que fait-on dans ce cas là ?
Tu manques quand même un peu d'initiative. Désolé, mais je ne peux pas faire plus sans donner la réponse. Le reste sera juste calculatoire, peu intéressant et facile pour toi.
-
Bien je vais reprendre ce point : Si $H$ est la fonction de répartition de la loi normale centrée réduite, quelle est la fonction de répartition de $U$ centré mais non réduite de variance $\sigma^2$.Avec le changement de variable $u=t/\sigma$$\displaystyle G(x)=\int_{-\infty}^x \frac{1}{\sqrt{2.\pi}.\sigma}.e^{-\frac{t^2}{2\sigma^2}} ~dt =\int_{-\infty}^{x/\sigma} \frac{1}{\sqrt{2.\pi}.\sigma}.e^{-u^2/2} ~ \sigma.du =\int_{-\infty}^{x/\sigma} \frac{1}{\sqrt{2.\pi}}.e^{-u^2/2} ~ du=H(x/\sigma)$Ok donc tu avais raison, c'est vrai j'ai un peu la flemme ...
-
et si on oublie complètement qu'on parle de lois normales, tu ne peux pas faire un raisonnement ET plus simple ET plus général ?
Sans faire d'intégrale compliquée, de changement de variable etc... -
Non ce que j'ai fait est propre , tient en 1 ligne c'est impeccable. Pas plus pas moins.
-
J'avance sur Q5 je n'y arrive pas pour le moment.
Je me pose la question de l'utilisation de $\mathbb{E}[\mathbb{1}_A]=\mathbb{P}(A)$ -
Tu es têtu. C'est correct mais inutile et pas aussi général que ce tu pourrais faire en 1 ligne également mais bref...
Pour $Q5$, j'ai déjà dit "théorème de transfert". Ecris le et adapte le à l'espérance à calculer ici. Encore une fois, je peux le faire et c'est fini mais ce n'est pas l'esprit du forum. -
Après je ne vois pas comment faire ce que tu demandes donc qu'est-ce que je peux te dire de plus ? Là je cherche la Q5.Il faut admettre que certaines choses sont plus faciles que d'autres et cela est variable suivant la personne.
-
J'essaye avec la disjonction de cas ?$\mathbb{E}[(X-X^*)^2]=\mathbb{E}[(X-X^*)^2.\mathbb{1}_{(X=1,X^*=1)}] + \mathbb{E}[(X-X^*)^2.\mathbb{1}_{(X=1,X^*=0)}] +\mathbb{E}[(X-X^*)^2.\mathbb{1}_{(X=0,X^*=1)}] + \mathbb{E}[(X-X^*)^2.\mathbb{1}_{(X=0,X^*=0)}]=$$\mathbb{E}[(X-X^*)^2.\mathbb{1}_{(X=1,X^*=0)}] +\mathbb{E}[(X-X^*)^2.\mathbb{1}_{(X=0,X^*=1)}] = \mathbb{E}[\mathbb{1}_{(X=1,X^*=0)}] +\mathbb{E}[\mathbb{1}_{(X=0,X^*=1)}]=\mathbb{P}[(X=1,X^*=0)]+\mathbb{P}[(X=0,X^*=1)]$Bon on retrouve que c'est $\mathbb{P}(X \neq X^*)$$\mathbb{P}[(X=1,X^*=0)]+\mathbb{P}[(X=0,X^*=1)]=p.\mathbb{P}(U \leq c) + (1-p).\mathbb{P}(U > c-a)=p.H(c/\sigma) + (1-p).(1-H((c-a)/\sigma))$J'ai donc une fonction de c : $T(c)=p.H(c/\sigma) + (1-p).(1-H((c-a)/\sigma))$$T'(c)=0$ ssi $p/\sigma.\phi(c/\sigma) - (1-p)/\sigma.\phi((c-a)/\sigma)=0$, $\phi$ étant la fx densité de la loi normale centrée réduite.On a $p.\phi(c/\sigma)=(1-p).\phi((c-a)/\sigma)$ ssi $p.e^{-\frac{c^2}{2.\sigma^2}}=(1-p).e^{-\frac{(c-a)^2}{2.\sigma^2}}$Donc $e^{\frac{-2ac+a^2}{2\sigma^2}}=\frac{1-p}{p}$puis $2\sigma^2.ln(\frac{1-p}{p})=-2ac+a^2$Enfin $c=a/2-\sigma^2/a.ln(\frac{1-p}{p})$La solution a-t-elle une interprétation quelconque ? Mystère.
-
Si $U \sim \mathcal{N}(0,\sigma^2)$, alors $... \sim \mathcal{N}(0,1)$ donc $F_U(u)=\mathbb{P}(U \leq u) = \mathbb{P}(... \leq ...)=...$
et là, tu peux compléter ou c'est encore trop compliqué ? Par rapport à tout ce que tu as déjà fait dans l'exo, je ne vois pas ce qui te bloque.
-
J'ai du écrire entre temps, je pense avoir trouvé la réponse à l'erreur de calcul près.Non pour ce que tu m'as écris avec des pointillés je ne vois pas, je ne sais pas faire sauter l'écart-type.
-
Bon je passe à la partie estimation
-
Mais bon sang, tu ne sais pas comment centrer et réduire une va de moyenne m et d'écart type sigma sérieusement ? Fais un effort par pitié ! Tu l'as même écrit !!!
LeVioloniste a dit : Si tu as une loi $X \sim \mathbf{N}(m,\sigma^2)$ de densité $\phi(x)$ alors il est connu que $\phi(\frac{x-m}{\sigma})$ est centrée réduite.Ok pour Q5 (un peu rapide quand même, $X$ et $X^*$ ne sont pas indépendants). Je te fais confiance pour les calculs. Pas d'interprétation de $c$ mais l'énoncé est clair : c'est la valeur à choisir pour avoir la meilleure approximation de $X$ par $X^*$ en moyenne quadratique. Si dans la vraie vie, on ne peut récolter qu'un échantillon de données de $X^*$, alors ça sera ce qu'on peut espérer de mieux pour estimer en moyenne $X$ puisque pour rappel, la moyenne est la valeur qui minimise les moindres carrés.
-
Q6a
On écrit la fonctionnelle à optimiser : $S(a)= \sum_{k=1}^n (Y_i-a.X_i-U_i)^2 = \sum_{k=1}^n (Y_i^2+a^2.X_i^2+U_i^2-2a.X_i.Y_i-2U_i.Y_i+2a.U_i.X_i)$
On dérive par rapport à $a$ : $S'(a)= \sum_{k=1}^n 2a.X_i^2-2X_i.Y_i+2U_i.X_i=0$.
donc $\hat{a}.\sum_{k=1}^n X_i= + \sum_{k=1}^n Y_i - U_i $Je ne comprends pas que ce soit en fonction de $a$ puisque $\hat{a}$ est un estimateur de $a$. -
Si $U \sim N(0,\sigma^2)$ alors $U/\sigma \sim N(0,1)$
Connectez-vous ou Inscrivez-vous pour répondre.
Bonjour!
Catégories
- 163.2K Toutes les catégories
- 9 Collège/Lycée
- 21.9K Algèbre
- 37.1K Analyse
- 6.2K Arithmétique
- 53 Catégories et structures
- 1K Combinatoire et Graphes
- 11 Sciences des données
- 5K Concours et Examens
- 11 CultureMath
- 47 Enseignement à distance
- 2.9K Fondements et Logique
- 10.3K Géométrie
- 65 Géométrie différentielle
- 1.1K Histoire des Mathématiques
- 68 Informatique théorique
- 3.8K LaTeX
- 39K Les-mathématiques
- 3.5K Livres, articles, revues, (...)
- 2.7K Logiciels pour les mathématiques
- 24 Mathématiques et finance
- 314 Mathématiques et Physique
- 4.9K Mathématiques et Société
- 3.3K Pédagogie, enseignement, orientation
- 10K Probabilités, théorie de la mesure
- 773 Shtam
- 4.2K Statistiques
- 3.7K Topologie
- 1.4K Vie du Forum et de ses membres