Exercices de simulation 1

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Exercices de simulation 1"

Transcription

1 Licence MIA 2ème année Année universitaire Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab. Représentations graphiques associées L instruction rand de Scilab permet de simuler une loi aléatoire uniforme sur [0, 1]. Par ailleurs, l histogramme d un échantillon peut être tracé avec l instruction histplot. Exercice 1 (a) Effectuer la simulation de N réalisations indépendantes d une loi uniforme avec l instruction rand. (b) Avec l instruction plot2d, proposer une visualisation permettant de s assurer expérimentalement que les couples choisis parcourent à peu près uniformément le segment [0, 1]. (c) Tracer l histogramme en K classes de cet échantillon avec l instruction histplot et le comparer avec la répartition théorique parfaite. On s assurera pour cela de choisir convenablement K etn. Exercice 2 Simulation d un nombre tiré au hasard uniformément sur un intervalle. (a) Écrire une fonction Scilab uniforme(n,a,b) dont les arguments sont l entier N et les réels a, b et qui donne en sortie une ligne de taille N dont les coefficients simulent des variables aléatoires indépendantes de loi de probabilité uniforme U([a, b]). (b) Visualiser pour un certain choix de N, a et b, un échantillon de N tirages indépendants de loi de probabilité U([a, b]) sur un histogramme. (c) Superposer à l histogramme la courbe représentant la densité de probabilité U([a, b]). Exercice 3 Écrire un programme permettant de simuler une loi uniforme sur le carré unité [0, 1] [0, 1]. Avec l instruction plot2d, proposer une visualisation permettant de s assurer expérimentalement que les couples choisis parcourent à peu près uniformément le carré [0, 1] [0, 1]. 1. Certains exercices de cette feuille ont été conçus par Laurent Dumas : dumas.

2 Lancers de dé L instruction rand permet également de générer des lois discrètes comme les lois de pile ou face ou de lancer d un dé. Exercice 4 Écrire en utilisant les instructions rand et int (partie entière) une fonction simulant le résultat d un lancer d un dé honnête à six faces. Vérifier la validité de cette fonction à l aide d un histogramme. Le paradoxe du chevalier de Méré. Est-il avantageux, lorsqu on joue au dé, de parier sur l apparition d un 6 en lançant 4 fois le dé? Est-il avantageux de parier sur l apparition d un double-six, quand on lance 24 fois deux dés? Le chevalier de Méré, qui était très joueur, avait remarqué que le premier jeu était avantageux. Se laissant abuser par un soi-disant argument d homothétie, le chevalier considérait que le deuxième pari était aussi avantageux : en lançant un dé, il y a 6 issues ; en lançant deux 2 dés, il y en a 36, soit 6 fois plus. Puisqu il est avantageux de parier sur l apparition d un 6 en lançant le dé 4 fois de suite, il doit être avantageux de miser sur l apparition d un double-six en lançant un dé 24 = 4 6 fois de suite. Malheureusement pour le chevalier, les règles des probabilités sont plus complexes, et c est Pascal qui calcula la vraie probabilité, très légèrement inférieure à 1/2. Le deuxième jeu n est pas avantageux. Exercice 5 Le paradoxe du chevalier de Méré. (a) Calculer les probabilités de succès de chacun des deux jeux. (b) À l aide de boucles emboîtées, retrouver la probabilité de succès du premier jeu. (c) En effectuant un grand nombre N de simulations, vérifier approximativement que le premier jeu est avantageux. (d) En effectuant un grand nombre N de simulations, vérifier approximativement que le second jeu n est pas avantageux. Remarque. Pour bien faire, il faudrait calculer des intervalles de confiance. Nous y reviendrons plus tard. Exercice 6 Simulation d un dé quelconque. (a) Écrire une fonction Scilab de2(n,p1,p2,p3,p4,p5) dont les arguments sont le paramètre entier N ainsi que les probabilités d occurence 0 < p 1, p 2, p 3, p 4, p 5 < 1 des faces numérotées de 1 à 5 et qui donne en sortie une matrice 1 N dont les coefficients simulent une série de N lancers indépendants de ce dé pipé. (b) Visualiser un échantillon de N lancers indépendants de ce dé à l aide d un diagramme en barres. (c) Le visualiser aussi à l aide d un histogramme. (d) Superposer à l histogramme un diagramme en barres représentant la distribution théorique. (e) Faire varier la valeur de N.

3 Simulation d une loi exponentielle Nous appliquons maintenant la méthode d inversion de la fonction de répartition pour simuler un échantillon de loi exponentielle à l aide de rand. On rappelle que la fonction de répartition de la loi exponentielle de paramètre λ > 0, notée E(λ), est donnée par { 1 e λt si t 0 F (t) = 0 si t < 0 Exercice 7 (a) Écrire un script permettant de simuler un échantillon de taille M de la loi E(λ) à l aide de la méthode d inversion de la fonction de répartition. (b) Tracer l histogramme en K classes de cet échantillon. (c) Calculer la densité de probabilité de E(λ). (d) Superposer à cet histogramme la densité que vous venez de calculer. Simulation d une loi normale L instruction rand avec le troisième argument n permet de simuler une loi normale standard, notée N (0, 1), dont la densité de probabilité est donnée par φ(x) = 1 2π e x2 /2, x R. (1) Exercice 8 (a) Effectuer la simulation de M réalisations indépendantes d une loi gaussienne avec l instruction rand. (b) Tracer l histogramme en K classes de cet échantillon avec l instruction histplot et comparer-le avec la répartition théorique. On peut aussi montrer que si X et Y sont deux variables indépendantes de loi N (0, 1), en passant en coordonnées polaires, l angle Θ [0, 2π[ et le rayon R > 0 définis par { X = R cos Θ Y = R sin Θ sont des variables aléatoires indépendantes telles que Θ U([0, 2π[) et R 2 E(1/2). Exercice 9 (a) En déduire qu avec U et V deux réalisations indépendantes de U([0, 1]), { X := 2 ln U cos(2πv ) Y := 2 ln U sin(2πv ) définit un couple de variables aléatoires indépendantes de loi N (0, 1).

4 (b) À l aide de la question précédente, écrire un programme qui permet de simuler un échantillon de taille 2M de la loi N (0, 1). (c) Tracer un histogramme en K classes de cet échantillon et le comparer avec la répartition théorique. (d) Représenter graphiquement un échantillon de M points aléatoires indépendants de coordonnées (X, Y ). (e) Tracer un histogramme en 3D de ce nuage de points. Exercices divers Exercice 10 Le problème des anniversaires. Soit une assemblée de n individus dont aucun n est né un 29 Février. (a) En effectuant un grand nombre M d expériences avec l instruction rand, donner une valeur approchée de la probabilité que dans cette assemblée, au moins deux individus soient nés le même jour. (b) Calculer cette probabilité pour n = 24, n = 35 et commenter. (c) On pourra représenter graphiquement l évolution au cours du calcul de l approximation de cette probabilité obtenue en fonction du nombre d expériences déjà réalisées. Exercice 11 Urne de Polya. On s intéresse à l expérience aléatoire suivante dite de l urne de Polya. On considère une urne contenant initialement 1 boule rouge et 1 boule verte. On effectue n tirages successifs se déroulant de la manière suivante. On tire une des boules de l urne puis on la remet dans l urne avec une nouvelle boule de la même couleur (on dispose d un stock infini de boules). On note X n la proportion de boules rouges après ces n tirages. (a) Proposer un script permettant de simuler M expériences indépendantes de l urne de Polya à n tirages. (b) Vérifier (pour n = 10 par exemple) que la valeur moyenne des X n obtenus est proche de la valeur théorique 1/2. (c) En traçant un histogramme, vérifier également que la répartition observée de X n est proche de sa valeur théorique qui est la probabilité uniforme sur l ensemble de valeurs {1/(n + 2),..., (n + 1)/(n + 2)}. Exercice 12 Simulation d un tir aléatoire. (a) Écrire une fonction Scilab tir(n,d) qui prend comme entrées les paramètres entiers N et réel d > 0 et qui donne en sortie une ligne de N valeurs simulant une série de tirs indépendants sur un mur à distance d avec un angle choisi au hasard uniformément dans ] π/2, π/2[. (b) Visualiser un grand échantillon de tirs indépendants à l aide d un histogramme. (c) On fera varier d pour analyser son influence. (d) Superposer à l histogramme la courbe représentant la densité de probabilité de Cauchy f X (x) = d 1 π d 2 + x. 2

5 Tirages de Bernoulli en grand nombre Exercice 13 Simulation de tirages de Bernoulli. (a) Écrire une fonction Scilab bernoulli(p,n,m) qui prend comme entrées les paramètres entiers N, M et le réel 0 < p < 1 et qui donne en sortie une matrice N M dont les coefficients simulent des variables aléatoires indépendantes qui suivent la loi de probabilité B(p) de Bernoulli de paramètre p. Indication. On utilisera la commande bool2s appliquée à function B=bernoulli(p,N,M) B=(rand(N,M)<p); (b) Visualiser dans trois fenêtres graphiques séparées, pour p = 0.5, p = 0.2 et p = 0.8, un grand échantillon de tirages indépendants de loi de probabilité B(p) sur un diagramme en barres. On désigne par S n (comme somme ou bien succès) la réalisation d une loi binomiale de paramètres n et 0 < p < 1, notée B(n, p). On rappelle qu on peut représenter S par S n = n X i, i=1 qui est le nombre de 1 obtenus à l issue de n tirages indépendants de variables de Bernoulli (X i ) 1 i n de paramètre p. Si par exemple X i vaut 0 en cas d échec et 1 en cas de succès à la ième occurence d un jeu répété, que ses répétitons sont indépendantes et qu à chaque fois votre probabilité de succès est de p, alors S n est le nombre de vos succès à l issue de n parties. Exercice 14 Loi binomiale. (a) Calculer l espérance et la variance de S n. (b) Écrire une fonction Scilab binomiale(n,p,m) dont les arguments sont les paramètres n et p ainsi qu un entier M, et qui donne en sortie un vecteur ligne de longueur M dont les coefficients sont indépendants et suivent la loi B(n, p). (c) Visualiser à l aide d un histogramme ces simulations pour différentes valeurs de n, p et M. (d) Visualiser aussi vos simulations sur un diagramme en barres. (e) Calculer la moyenne et la variance empiriques des échantillons et les comparer aux valeurs théoriques. Loi des grands nombres C est un théorème de la théorie des probabilités qui énonce que lorsque X 1,..., X n,... est une suite de variables aléatoires indépendantes de même loi que la variable X, alors si X est telle que E X <, nous avons X 1 + X n n EX n

6 en un certain sens qui vous sera préciser dans les prochains mois. Ce qui est remarquable, c est qu à gauche la moyenne observée (X 1 + X n )/n est une variable aléatoire alors qu à droite EX est un nombre qui n a rien d aléatoire. Lors d un grand nombre n d observations X 1,... X n, la moyenne empirique (X 1 + X n )/n de ces observations est proche de la moyenne théorique EX. On souhaite maintenant étudier le comportement lorsque n tend vers l infini de la proportion empirique de succès S n /n où S n suit une loi B(n, p). Exercice 15 Un fichier de commandes (ou script) est un fichier texte d extension.sce qui contient une suite d instructions qui sont exécutées par la commande exec("nomfich.sce"). Le fichier de commandes lgn_bernoulli suivant trace pour 10 expériences successives l évolution de la proportion de succès obtenus lors de n tirages de Bernoulli de paramètre p pour n variant de 1 a 300. p=input("entrer le parametre p ="); "appuyer sur entree pour la simulation suivante..." for i=1:10, B=bernoulli(p,1,300); S=cumsum(B); n=1:300; P=S./n; clf; plot2d(p); pp=p*ones(1,300); plot2d(pp); halt(); end; (a) Tester le fichier lgn_bernoulli. (b) Le modifier pour qu il permette de choisir le nombre M de simulations et la longueur n de la séquence de jeux répétés effectuée au cours de chaque simulation, trace la valeur de p en rouge, et trace les courbes dans la même fenêtre graphique (commande subplot). On vient de voir une illustration d un théorème fondamental : la loi des grands nombres. Théorème central limite Nous allons montrer dans le prochain exercice que la variable S n /n p est d espérance nulle et de variance p(1 p)/n et en déduire que Z n := n (S n /n p) = S n np n est de variance Var(Z n ) = p(1 p). Le théorème central limite énonce que lorsque n tend vers l infini, la variable aléatoire Z n se comporte de plus en plus comme une variable aléatoire Z de loi N (0, σ 2 ) normale centrée de même variance σ 2 = p(1 p) que Z n. La densité de la loi N (0, σ 2 ) est f Z (z) = 1 2πσ exp ( z2 2σ 2 ), z R. (2)

7 Exercice 16 (a) Montrer que E[(S n np)/n] = 0 et Var[(S n np)/n] = p(1 p)/n. (b) En déduire que Var(Z n ) = p(1 p). (c) Écrire une procédure tcl_bernoulli qui demande la valeur des paramètres p et n ainsi que le nombre M de répétitions de l expériences ; classe dans un histogramme dont les classes sont centrées aux points -4:delta:4 où delta est choisi en fonction du nombre M de réalisations aléatoires indépendantes de Z n ; affiche en surimpression sur l histogramme la courbe de la densité f Z normale centrée de variance σ 2 = p(1 p). Exercice 17 Évolution de S n en fonction de n. (a) Effectuer N tirages de pile (+1) ou face (-1) avec p = 1/2. (b) Tracer l évolution de votre gain S n en fonction de n variant de n = 0 à n = N. Par convention S 0 = 0. (c) Superposer à ce graphique la courbe nulle ainsi que les courbes de ± n et ±2 n. Grand échantillon de loi exponentielle La loi des grands nombres et le théorème central limite sont satisfaits pour toute loi admettant une variance finie. L exercice qui suit les met en situation avec un échantillon de loi exponentielle. Exercice 18 Un grand échantillon de loi exponentielle. Soit T une variable aléatoire de loi exponentielle E(λ). On définit la variable aléatoire Z n := S n n/λ n/λ 2 où S n = T T n est la somme des valeurs d un échantillon T 1,..., T n de taille n de la loi E(λ). (a) Montrer que ET = 1/λ et Var(T ) = 1/λ 2. En déduire que EZ n = 0 et Var(Z n ) = 1. (b) Simuler un échantillon de taille M de la variable S n /n. (c) En modifiant le script obtenu lors de l exercice sur la loi des grands nombres pour les tirages de Bernoulli, mettre en évidence la loi des grands nombres pour S n /n. (d) Simuler un échantillon de taille M de la variable Z n. (e) Représenter ces M valeurs de Z n à l aide d un histogramme à K classes partitionnant le segment [ 4, 4]. (f) Superposer à l histogramme la densité φ d une variable normale centrée de variance 1 donnée en (1) lors des exercices de simulation de la loi normale ainsi qu en (2) un peu plus haut. (g) Faire varier la valeur n.

8 Mouvement brownien Reprenons le jeu de pile ou face. Après k 1 lancers, votre gain S k a la même loi que 2 S k k où S k suit une loi binomiale B(k, 1/2). Son espérance et sa variance valent ES k = 0 et VarS k = k. Fixons un nombre entier n grand et supposons que pendant une unité de temps vous jouiez n fois à pile ou face. À l instant t 0 vous aurez joué nt fois, en notant u la partie entière de du nombre réel u 0. Par exemple avec n = 100, à l instant t = 0.5 vous avez joué 50 fois et à l instant t = vous avez joué 345 fois. Votre gain à l instant t est donc S nt, t 0. Or, l écart-type de S nt vaut nt de sorte que celui de := S nt, t 0 n B (n) t est proche de t. Nous avons donc pour tout t 0, EB (n) t = 0 et σ(b (n) t ) t. D autre part, on peut interpréter B (n) t comme la position d une particule à l instant t qui est issue de B (n) 0 = 0 à l instant t = 0 et qui a sauté de ±1/ n, n fois par unité de temps sur la base d un jeu de pile ou face équilibré. Lorsque n est grand la particule saute très souvent (avec la fréquence 1/n) en faisant de très petit sauts (d une amplitude 1/ n.) Remarquons que si tous les sauts étaient positifs, c est-à-dire s ils valaient tous +1/ n, à l instant t la particule se trouverait à la position n/ n = n qui tend vers l infini avec n. Mais la probabilité de cet événement est de 2 nt ce qui est extrêmemnt petit. Par exemple, avec n = 100 et t = 1, En fait, lorsque n est grand, la loi des grands nombres nous dit qu il y a essentiellement la même proportion de sauts positifs et négatifs. C est cette compensation qui fait que B (n) t n explose pas, dans la plupart des cas, lorsque n tend vers l infini. Nous allons maintenant simuler expérimentalement avec n assez grand, la trajectoire aléatoire t [0, T ] B (n) t R. Exercice 19 Mouvement brownien unidimensionnel. (a) Effectuer N tirages de pile (+1) ou face (-1) avec p = 1/2. (b) Fixer un pas de temps 1/n et un instant maximal T ; par exemple n = 100 et T = 5. Tracer l évolution de votre gain B (n) t en fonction de t [0, T ]. (c) Superposer à ce graphique la courbe nulle ainsi que les courbes de ± t et ±2 t. Lorsque n tend vers l infini, on peu donner un sens à lim n B (n) t := B t, 0 t T. La trajectoire aléatoire limite B = (B t ) 0 t T est appelée le mouvement brownien. Le mouvement brownien en d dimension est la trajectoire aléatoire qui à tout t [0, T ] associe B(t) = (B 1 (t),..., B d (t)) R d où B 1,..., B d sont des mouvements browniens indépendants. Exercice 20 Mouvement brownien en dimension 2 et 3. (a) Simuler un mouvement brownien en dimension 2 et tracer son chemin sur R 2. (b) Simuler un mouvement brownien en dimension 3 et tracer son chemin sur R 3. Utiliser pour cela l instruction param3d.

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Fiche TD avec le logiciel : a2-1-c Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Sylvain Mousset Rappels de probabilités / statistiques Table des matières 1 Probabilités

Plus en détail

Loi binomiale Lois normales

Loi binomiale Lois normales Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

COUPLES DE VARIABLES ALÉATOIRES CHAPITRE 13 COUPLES DE VARIABLES ALÉATOIRES Dans tout le chapitre, (Ω, P) désignera un espace probabilisé fini. 1 Couple de variables aléatoires Définition 13.1 On appelle couple de variables aléatoires

Plus en détail

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique Télécom ParisTech, 09 mai 2012 http://www.mathematiquesappliquees.polytechnique.edu/ accueil/programmes/cycle-polytechnicien/annee-1/

Plus en détail

Introduction à la simulation en probabilité

Introduction à la simulation en probabilité Introduction à la simulation en probabilité Module MATH54 Année universitaire 29 21 L énoncé du TP au format pdf se trouve sur le portail dans votre groupe. 1. Mise en route Principe de simulation. Connectez-vous

Plus en détail

Cours de Probabilités. Jean-Yves DAUXOIS

Cours de Probabilités. Jean-Yves DAUXOIS Cours de Probabilités Jean-Yves DAUXOIS Septembre 2013 Table des matières 1 Introduction au calcul des probabilités 7 1.1 Espace probabilisable et loi de variable aléatoire........ 8 1.1.1 Un exemple

Plus en détail

4 Distributions particulières de probabilités

4 Distributions particulières de probabilités 4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli

Plus en détail

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006 ESSEC M B A CONCOURS D ADMISSION Option économique MATHEMATIQUES III Année 2006 La présentation, la lisibilité, l orthographe, la qualité de la rédaction, la clarté et la précision des raisonnements entreront

Plus en détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 2D CH X : Exemples de lois à densité 1 TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun

Plus en détail

Probabilités Loi binomiale Exercices corrigés

Probabilités Loi binomiale Exercices corrigés Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre

Plus en détail

Analyse de données et méthodes numériques

Analyse de données et méthodes numériques Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés? Analyse de données et

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. 14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,

Plus en détail

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

Travaux pratiques de Génie Informatique TP 2 & 3. séances, mais vous pouvez en faire plus. Essayer d aller le plus loin possible.

Travaux pratiques de Génie Informatique TP 2 & 3. séances, mais vous pouvez en faire plus. Essayer d aller le plus loin possible. 1 BUT DE LA SÉANCE. TRAVAUX PRATIQUES DE GÉNIE INFORMATIQUE Ces deuxième et troisième séances ont pour but de vous faire avancer dans la programmation sous Matlab. Vous y découvrez les fonctions, les sous-programmes

Plus en détail

Variables Aléatoires. Chapitre 2

Variables Aléatoires. Chapitre 2 Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

I3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300

I3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300 I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,

Plus en détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de

Plus en détail

Travaux dirigés d introduction aux Probabilités

Travaux dirigés d introduction aux Probabilités Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien

Plus en détail

Exercices sur le chapitre «Probabilités»

Exercices sur le chapitre «Probabilités» Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de

Plus en détail

Examen d accès - 1 Octobre 2009

Examen d accès - 1 Octobre 2009 Examen d accès - 1 Octobre 2009 Aucun document autorisé - Calculatrice fournie par le centre d examen Ce examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses sont

Plus en détail

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2 Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Niveau. Situation étudiée. Type d activité. Durée. Objectifs. Seconde.

Niveau. Situation étudiée. Type d activité. Durée. Objectifs. Seconde. Simuler des expériences aléatoires avec une calculatrice Niveau Seconde. Situation étudiée Différentes selon les séances : Séance 1 : Jeu de pile ou face, tirages de boule dans une urne avec des proportions

Plus en détail

Ch.12 : Loi binomiale

Ch.12 : Loi binomiale 4 e - programme 2007 - mathématiques ch.12 - cours Page 1 sur 5 1 RÉPÉTITION D'EXPÉRIENCES INDÉPENDANTES Lancer plusieurs fois un dé et noter les résultats successifs. Ch.12 : Loi binomiale Prélever des

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Annexe commune aux séries ES, L et S : boîtes et quantiles

Annexe commune aux séries ES, L et S : boîtes et quantiles Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES ET STATISTIQUE I&II PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

Plus en détail

Fluctuation d une fréquence selon les échantillons - Probabilités

Fluctuation d une fréquence selon les échantillons - Probabilités Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille

Plus en détail

Activité 1 : échantillonnage

Activité 1 : échantillonnage Activité échantillonnage, intervalle de fluctuation, prise de décision (à partir d un même thème) Les trois activités qui suivent s inspirent du document «ressources pour la classe de première générale

Plus en détail

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,

Plus en détail

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #9

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #9 ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #9 ARTHUR CHARPENTIER 1 Soit X la variable aléatoire continue de fonction de densité : { (1.4)e 2x + (0.9)e 3x pour x > 0 f X (x) = 0 sinon. Trouver E[X]. A) 9 20 B)

Plus en détail

Épreuve pratique de mathématiques Printemps 2009. Descriptifs. (Page vide)

Épreuve pratique de mathématiques Printemps 2009. Descriptifs. (Page vide) Épreuve pratique de mathématiques Printemps 2009 Descriptifs (Page vide) Sujet 001 Épreuve pratique de mathématiques Descriptif Étude d une fonction dépendant d un paramètre Étant donné une fonction dépendant

Plus en détail

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader Terminale STMG O. Lader Table des matières 1 Information chiffrée (4s) 4 1.1 Taux d évolution....................................... 6 1.2 indices............................................. 6 1.3 Racine

Plus en détail

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 huitième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 Soit X une variable aléatoire continue de fonction de densité

Plus en détail

UFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES

UFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

8 Probabilités. Les notions étudiées dans ce chapitre CHAPITRE. 1. Expérience aléatoire 2. Loi de probabilité 3. Probabilité d'un événement

8 Probabilités. Les notions étudiées dans ce chapitre CHAPITRE. 1. Expérience aléatoire 2. Loi de probabilité 3. Probabilité d'un événement CHAPITRE Probabilités Les notions étudiées dans ce chapitre Le mot hasard vient de l'arabe al zhar qui désigne un dé à jouer. Les jeux de hasard sont connus depuis la plus haute Antiquité. Déjà les romains

Plus en détail

Notes de cours de Probabilités Appliquées. Olivier François

Notes de cours de Probabilités Appliquées. Olivier François Notes de cours de Probabilités Appliquées Olivier François 2 Table des matières 1 Axiomes des probabilités 7 1.1 Introduction................................. 7 1.2 Définitions et notions élémentaires.....................

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur

Plus en détail

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples 36 Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples (Ω, B, P est un espace probabilisé. 36.1 Définition et propriétés des probabilités conditionnelles Définition 36.1

Plus en détail

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement

Plus en détail

Probabilités conditionnelles Loi binomiale

Probabilités conditionnelles Loi binomiale Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard

Plus en détail

Le modèle de Black et Scholes

Le modèle de Black et Scholes Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S)

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S) MA 09 CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 009 COMPOSITION DE MATHÉMATIQUES (Classe terminale S) DURÉE : 5 heures La calculatrice de poche est autorisée, conformément à la réglementation. La clarté et

Plus en détail

Feuille d exercices 2 : Espaces probabilisés

Feuille d exercices 2 : Espaces probabilisés Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un

Plus en détail

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie... 1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................

Plus en détail

Expérience 3 Formats de signalisation binaire

Expérience 3 Formats de signalisation binaire Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx

Plus en détail

MÉTHODE DE MONTE CARLO.

MÉTHODE DE MONTE CARLO. MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce

Plus en détail

Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013. Calculatrice autorisée - Aucun document n'est autorisé.

Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013. Calculatrice autorisée - Aucun document n'est autorisé. TES Spé Maths Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013 Calculatrice autorisée - Aucun document n'est autorisé. Vous apporterez un grand soin à la présentation et à la

Plus en détail

Lois de probabilité. Anita Burgun

Lois de probabilité. Anita Burgun Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

Estimation et tests statistiques, TD 5. Solutions

Estimation et tests statistiques, TD 5. Solutions ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e

Plus en détail

Chaînes de Markov au lycée

Chaînes de Markov au lycée Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

Dénombrement, opérations sur les ensembles.

Dénombrement, opérations sur les ensembles. Université Pierre et Marie Curie 2013-2014 Probabilités et statistiques - LM345 Feuille 1 (du 16 au 20 septembre 2013) Dénombrement, opérations sur les ensembles 1 Combien de façons y a-t-il de classer

Plus en détail

Fiche de révision sur les lois continues

Fiche de révision sur les lois continues Exercice 1 Voir la correction Le laboratoire de physique d un lycée dispose d un parc d oscilloscopes identiques. La durée de vie en années d un oscilloscope est une variable aléatoire notée X qui suit

Plus en détail

Calcul élémentaire des probabilités

Calcul élémentaire des probabilités Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Probabilités III Introduction à l évaluation d options

Probabilités III Introduction à l évaluation d options Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un

Plus en détail

Apprentissage par renforcement (1a/3)

Apprentissage par renforcement (1a/3) Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours

Plus en détail

PROBABILITÉS STATISTIQUES

PROBABILITÉS STATISTIQUES PROBABILITÉS ET STATISTIQUES Probabilités et Statistiques PAES 0-03 L FOUCA Sommaire Chapitre Statistique descriptive 4 La statistique et les statistiques 4 Généralités sur les distributions statistiques

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue

Plus en détail

ECRICOME 2004. Voie Eco. 1 1 + x. f (x) dx n N, u n = 1. 0 xn f (x) dx

ECRICOME 2004. Voie Eco. 1 1 + x. f (x) dx n N, u n = 1. 0 xn f (x) dx ECRICOME 2004 Voie Eco 1 EXERCICE 1 EXERCICE Soient f la fonction numérique de la variable réelle définie par : x R, f (x = 1 2 et (u n la suite de nombres réels déterminée par : { u 0 = 1 f (x dx 0 n

Plus en détail

Licence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7

Licence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7 Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,

Plus en détail

Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé

Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01

Plus en détail

Licence Pro Amélioration Végétale

Licence Pro Amélioration Végétale Analyse de données Licence Pro Amélioration Végétale Marc Bailly-Bechet Université Claude Bernard Lyon I France marc.bailly-bechet@univ-lyon1.fr 1 marc.bailly-bechet@univ-lyon1.fr Analyse de données Des

Plus en détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

Principales caractéristiques de Mixmod

Principales caractéristiques de Mixmod Modèle de mélanges Principales caractéristiques de Mixmod Gérard Govaert et Gilles Celeux 24 octobre 2006 1 Plan Le modèledemélange Utilisations du modèle de mélange Les algorithmes de Mixmod Modèle de

Plus en détail

LIVRET DE MATHEMATIQUES ENTREE EN PREMIERE S Institut Notre-Dame (Saint Germain en Laye) Année 2015-2016

LIVRET DE MATHEMATIQUES ENTREE EN PREMIERE S Institut Notre-Dame (Saint Germain en Laye) Année 2015-2016 LIVRET DE MATHEMATIQUES ENTREE EN PREMIERE S Institut Notre-Dame (Saint Germain en Laye) Année 015-016 Pourquoi ce livret? Afin de mieux préparer cette rentrée, ce livret reprend un ensemble de notions

Plus en détail

Examen 2 labview 2009-2010

Examen 2 labview 2009-2010 Examen labview 009-010 Nicolas POUSSET Tous documents autorisés Conception 1 : Programme permettant d effectuer des simulations Monte Carlo 1 - Introduction La méthode Monte Carlo est une technique de

Plus en détail

Pour réussir en Prépa HEC (voie économique) A. RIDARD

Pour réussir en Prépa HEC (voie économique) A. RIDARD Pour réussir en Prépa HEC (voie économique) A. RIDARD 2 Table des matières Préface................................ 7 I Espaces vectoriels............................. 9 1. Pour montrer qu un sous ensemble

Plus en détail

Simulations de Monte Carlo

Simulations de Monte Carlo Simulations de Monte Carlo 2 février 261 CNAM GFN 26 Gestion d actifs et des risques Gréory Taillard GFN 26 Gestion d actifs et des risques 2 Biblioraphie Hayat, Sere, Patrice Poncet et Roland Portait,

Plus en détail

Couples de variables aléatoires discrètes

Couples de variables aléatoires discrètes Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude

Plus en détail

Lycée Cassini BTS CGO 2014-2015. Test de début d année

Lycée Cassini BTS CGO 2014-2015. Test de début d année Lycée assini BTS GO 4-5 Exercice Test de début d année Pour chaque question, plusieurs réponses sont proposées. Déterminer celles qui sont correctes. On a mesuré, en continu pendant quatre heures, la concentration

Plus en détail

Petits jeux de probabilités (Solutions)

Petits jeux de probabilités (Solutions) Petits jeux de probabilités (Solutions) Christophe Lalanne En famille 1. Mon voisin a deux enfants dont l un est une fille, quelle est la probabilité pour que l autre soit un garçon? Une famille de deux

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

Notions de probabilités

Notions de probabilités 44 Notions de probabilités Capacités Expérimenter, d abord à l aide de pièces, de dés ou d urnes, puis à l aide d une simulation informatique prête à l emploi, la prise d échantillons aléatoires de taille

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

Correction du Baccalauréat S Amérique du Nord mai 2007

Correction du Baccalauréat S Amérique du Nord mai 2007 Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n

Plus en détail

PETIT MEMENTO SCILAB

PETIT MEMENTO SCILAB PETIT MEMENTO SCILAB FRANÇOIS DUCROT 1. manipulation de vecteurs et matrices 1.1. Création de matrices. D abord quelques briques élémentaires utiles pour construire des choses plus compliquées. 1:4.5 nombres

Plus en détail

Statistique descriptive : Exercices supplémentaires Introduction à la théorie des probabilités

Statistique descriptive : Exercices supplémentaires Introduction à la théorie des probabilités Statistique descriptive : Exercices supplémentaires Introduction à la théorie des probabilités 1. Lors du lancer d un dé équilibré dont les faces sont numérotées de 1 à 6, quelle est la probabilité d obtenir

Plus en détail

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables

Plus en détail

Cours 7 : Utilisation de modules sous python

Cours 7 : Utilisation de modules sous python Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est

Plus en détail

Théorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France

Théorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes

Plus en détail

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail

A PROPOS DES TABLES DE NOMBRES AU HASARD

A PROPOS DES TABLES DE NOMBRES AU HASARD A PROPOS DES TABLES DE NOMBRES AU HASARD Dans les bulletins n 3 et n 5, nous avons publié dans le courrier des lecteurs deux exemples de séances de travaux dirigés durant lesquelles les étudiants devaient

Plus en détail

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité

Plus en détail

B = (R 2 + (x x c ) 2 )

B = (R 2 + (x x c ) 2 ) PHYSQ 126: Champ magnétique induit 1 CHAMP MAGNÉTIQUE INDUIT 1 But Cette expérience 1 a pour but d étudier le champ magnétique créé par un courant électrique, tel que décrit par la loi de Biot-Savart 2.

Plus en détail