Loi de probabilitéthumb|400px 3 répartitions.png En théorie des probabilités et en statistique, une loi de probabilité décrit le comportement aléatoire d'un phénomène dépendant du hasard. L'étude des phénomènes aléatoires a commencé avec l'étude des jeux de hasard. Jeux de dés, tirage de boules dans des urnes et jeu de pile ou face ont été des motivations pour comprendre et prévoir les expériences aléatoires. Ces premières approches sont des phénomènes discrets, c'est-à-dire dont le nombre de résultats possibles est fini ou infini dénombrable.
Théorie des probabilitésLa théorie des probabilités en mathématiques est l'étude des phénomènes caractérisés par le hasard et l'incertitude. Elle forme avec la statistique les deux sciences du hasard qui sont partie intégrante des mathématiques. Les débuts de l'étude des probabilités correspondent aux premières observations du hasard dans les jeux ou dans les phénomènes climatiques par exemple. Bien que le calcul de probabilités sur des questions liées au hasard existe depuis longtemps, la formalisation mathématique n'est que récente.
Variable aléatoire à densitéEn théorie des probabilités, une variable aléatoire à densité est une variable aléatoire réelle, scalaire ou vectorielle, pour laquelle la probabilité d'appartenance à un domaine se calcule à l'aide d'une intégrale sur ce domaine. La fonction à intégrer est alors appelée « fonction de densité » ou « densité de probabilité », égale (dans le cas réel) à la dérivée de la fonction de répartition. Les densités de probabilité sont les fonctions essentiellement positives et intégrables d'intégrale 1.
Loi de probabilité d'entropie maximaleEn statistique et en théorie de l'information, une loi de probabilité d'entropie maximale a une entropie qui est au moins aussi grande que celle de tous les autres membres d'une classe spécifiée de lois de probabilité. Selon le principe d'entropie maximale, si rien n'est connu sur une loi , sauf qu'elle appartient à une certaine classe (généralement définie en termes de propriétés ou de mesures spécifiées), alors la loi avec la plus grande entropie doit être choisie comme la moins informative par défaut.
List of convolutions of probability distributionsIn probability theory, the probability distribution of the sum of two or more independent random variables is the convolution of their individual distributions. The term is motivated by the fact that the probability mass function or probability density function of a sum of independent random variables is the convolution of their corresponding probability mass functions or probability density functions respectively. Many well known distributions have simple convolutions. The following is a list of these convolutions.
Escalier de CantorL'escalier de Cantor, ou l'escalier du diable, est le graphe d'une fonction f continue croissante sur [0, 1], telle que f(0) = 0 et f(1) = 1, qui est dérivable presque partout, la dérivée étant presque partout nulle. Il s'agit cependant d'une fonction continue, mais pas absolument continue. Soit f une fonction continue sur un intervalle I ⊂ R, de dérivée math|f '''. Si f ' est nulle sur I, alors f est constante. C'est une conséquence immédiate du théorème des accroissements finis.
Georg CantorGeorg Cantor est un mathématicien allemand, né le à Saint-Pétersbourg (Empire russe) et mort le à Halle (Empire allemand). Il est connu pour être le créateur de la théorie des ensembles. Il établit l'importance de la bijection entre les ensembles, définit les ensembles infinis et les ensembles bien ordonnés. Il prouva également que les nombres réels sont « plus nombreux » que les entiers naturels. En fait, le théorème de Cantor implique l'existence d'une « infinité d'infinis ».
Loi de probabilité à plusieurs variablesvignette|Représentation d'une loi normale multivariée. Les courbes rouge et bleue représentent les lois marginales. Les points noirs sont des réalisations de cette distribution à plusieurs variables. Dans certains problèmes interviennent simultanément plusieurs variables aléatoires. Mis à part les cas particuliers de variables indépendantes (notion définie ci-dessous) et de variables liées fonctionnellement, cela introduit la notion de loi de probabilité à plusieurs variables autrement appelée loi jointe.
Variable aléatoirevignette|La valeur d’un dé après un lancer est une variable aléatoire comprise entre 1 et 6. En théorie des probabilités, une variable aléatoire est une variable dont la valeur est déterminée après la réalisation d’un phénomène, expérience ou événement, aléatoire. En voici des exemples : la valeur d’un dé entre 1 et 6 ; le côté de la pièce dans un pile ou face ; le nombre de voitures en attente dans la 2e file d’un télépéage autoroutier ; le jour de semaine de naissance de la prochaine personne que vous rencontrez ; le temps d’attente dans la queue du cinéma ; le poids de la part de tomme que le fromager vous coupe quand vous lui en demandez un quart ; etc.
Cantor's first set theory articleCantor's first set theory article contains Georg Cantor's first theorems of transfinite set theory, which studies infinite sets and their properties. One of these theorems is his "revolutionary discovery" that the set of all real numbers is uncountably, rather than countably, infinite. This theorem is proved using Cantor's first uncountability proof, which differs from the more familiar proof using his diagonal argument.
Ensemble de CantorEn mathématiques, l'ensemble de Cantor (ou ensemble triadique de Cantor, ou poussière de Cantor), est un sous-ensemble remarquable de la droite réelle construit par le mathématicien allemand Georg Cantor. Il s'agit d'un sous-ensemble fermé de l'intervalle unité [0, 1], d'intérieur vide. Il sert d'exemple pour montrer qu'il existe des ensembles infinis non dénombrables mais négligeables au sens de la mesure de Lebesgue. C'est aussi le premier exemple de fractale (bien que le terme ne soit apparu qu'un siècle plus tard), et il possède une dimension non entière.
Théorème de Cantorvignette|Georg Cantor Le théorème de Cantor est un théorème mathématique, dans le domaine de la théorie des ensembles. Il énonce que le cardinal d'un ensemble E est toujours strictement inférieur au cardinal de l'ensemble de ses parties P(E), c'est-à-dire essentiellement qu'il n'existe pas de bijection entre E et P(E). Combiné avec l'axiome de l'ensemble des parties et l'axiome de l'infini de la théorie des ensembles usuelle, ce théorème implique qu'il existe une hiérarchie infinie d'ensembles infinis en termes de cardinalité.
Argument de la diagonale de Cantorvignette|Illustration de la diagonale de Cantor En mathématiques, l'argument de la diagonale, ou argument diagonal, fut inventé par le mathématicien allemand Georg Cantor et publié en 1891. Il permit à ce dernier de donner une deuxième démonstration de la non-dénombrabilité de l'ensemble des nombres réels, beaucoup plus simple, selon Cantor lui-même, que la première qu'il avait publiée en 1874, et qui utilisait des arguments d'analyse, en particulier le théorème des segments emboîtés.
Conditional probability distributionIn probability theory and statistics, given two jointly distributed random variables and , the conditional probability distribution of given is the probability distribution of when is known to be a particular value; in some cases the conditional probabilities may be expressed as functions containing the unspecified value of as a parameter. When both and are categorical variables, a conditional probability table is typically used to represent the conditional probability.
Paradoxe de CantorLe paradoxe de Cantor, ou paradoxe du plus grand cardinal, est un paradoxe de la théorie des ensembles dont l'argument a été découvert par Georg Cantor dans les années 1890. On le trouve dans sa lettre adressée à David Hilbert, datée de 1897. Il est appelé ainsi par Bertrand Russell dans ses Principles of Mathematics de 1903. Le paradoxe énonce que l'existence d'un plus grand cardinal conduit à une contradiction.
Espace de CantorEn mathématiques, plus précisément en topologie, on appelle espace de Cantor l'espace produit , où est muni de la topologie discrète. C'est un espace compact métrisable à base dénombrable (en fait, pour un espace compact, être métrisable ou être à base dénombrable sont des propriétés équivalentes) et totalement discontinu, qui a la propriété suivante : Tout espace métrisable à base dénombrable totalement discontinu est homéomorphe à un sous-espace de K.
Fonction de répartitionEn théorie des probabilités, la fonction de répartition, ou fonction de distribution cumulative, d'une variable aléatoire réelle X est la fonction F_X qui, à tout réel x, associe la probabilité d’obtenir une valeur inférieure ou égale : Cette fonction est caractéristique de la loi de probabilité de la variable aléatoire.
Singular distributionIn probability, a singular distribution is a probability distribution concentrated on a set of Lebesgue measure zero, where the probability of each point in that set is zero. These distributions are sometimes called singular continuous distributions, since their cumulative distribution functions are singular and continuous. Such distributions are not absolutely continuous with respect to Lebesgue measure. A singular distribution is not a discrete probability distribution because each discrete point has a zero probability.
Loi de CantorEn théorie des probabilités, la loi de Cantor est une loi de probabilité singulière dont le support est l'ensemble de Cantor et la fonction de répartition est l'escalier de Cantor. Comme ces derniers, le nom de la loi est issue du mathématicien allemand Georg Cantor. Cette loi de probabilité est singulière, ainsi elle n'est pas absolument continue par rapport à la mesure de Lebesgue et donc ne possède pas de densité de probabilité ; elle ne possède pas non plus de fonction de masse.
Probabilité a prioriDans le théorème de Bayes, la probabilité a priori (ou prior) désigne une probabilité se fondant sur des données ou connaissances antérieures à une observation. Elle s'oppose à la probabilité a posteriori (ou posterior) correspondante qui s'appuie sur les connaissances postérieures à cette observation. Le théorème de Bayes s'énonce de la manière suivante : si . désigne ici la probabilité a priori de , tandis que désigne la probabilité a posteriori, c'est-à-dire la probabilité conditionnelle de sachant .
