Exercices corrigés. Chaînes de Markov discrètes
|
|
- Valentine Roussy
- il y a 8 ans
- Total affichages :
Transcription
1 Processus aléatoires Exercices corrigés Chaînes de Markov discrètes Dans un certain pays, il ne fait jamais beau deux jours de suite Si un jour il fait beau, le lendemain il peut neiger ou pleuvoir avec autant de chances Si un jour il pleut ou il neige, il y a une chance sur deux qu il y ait changement de temps le lendemain, et s il y a changement, il y a une chance sur deux que ce soit pour du beau temps a) Former, à partir de celà, une chaîne de Markov et en déterminer sa matrice de transition b) Si un jour il fait beau, quel est le temps le plus probable pour le surlendemain? c) Si on suppose que l on a que deux états (beau temps et mauvais temps), déterminer la matrice de transition de la nouvelle chaîne ainsi obtenue a) On a l ensemble des états suivants E {BT,PL,} et le temps pour un jour ne dépend que du temps du jour précédent, indépendamment de la période de l année également On a donc bien une / / chaîne de Markov, de matrice de transition P / / / / / / b) Pour le temps du surlendemain, il faut déterminer P Mais seule la première ligne de P nous intéresse car on veut déterminer les probabilités à partir d un jour de beau temps On a : p () BT,BT p BT,BT p BT,BT + p BT,PL p P L,BT + p BT, p,bt p () BT,PL p BT,BT p BT,PL + p BT,PL p P L,P L + p BT, p,pl p () BT, p BT,BT p BT, + p BT,PL p P L, + p BT, p, Ainsi, si un jour il fait beau, le temps le plus probable pour le surlendemain est la pluie ou la neige c) On suppose maintenant que E {BT,MT}, ce qui est possible puisque la pluie et la neige se comportent de la même façon pour ce qui est des transitions On a encore p BT,BT mais maintenant, p BT,MT p BT,PL + p BT, Pour la deuxième ligne, on a p MT,BT car p P L,BT p,bt et p MT,MT 3 car p P L,P L + p P L, p,pl + p, 3 ( ) Ainsi, P / 3/
2 Exercices Trois chars livrent un combat Le char A atteint sa cible avec la probabilité /3, le char B avec la probabilité / et le char C avec la probabilité /3 Ils tirent tous ensembles et dès qu un char est touché, il est détruit On considère à chaque instant, l ensemble des chars non détruits Montrer qu on obtient une chaîne de Markov dont on explicitera l ensemble des états et la matrice de transition dans chacun des cas suivants : a) Chaque char tire sur son adversaire le plus dangereux ; b) A tire sur B ; B tire sur C et C tire sur A L ensemble des états est E {ABC, AB, AC, BC, A, B, C, } Pour X {A, B, C}, on note encore X l événement le char X atteint sa cible (et donc X l événement le char X rate sa cible ) On a ainsi P (A) /3, P (B) / etp (C) /3 Une fois qu un char est descendu, il ne peut plus revenir et ainsi, on peut commencer par mettre un certain nombre de dans la matrice de transition Si on est dans l état A, B, C ou, on est sûr d y rester (plus d adversaires!) a) S il ne reste que chars, par exemple A et B, onap AB,AB P (A)P (B) 3 6 (les ratent!), p AB,B P (A)P (B) 3 6 (A rate, B réussit), p AB,A P (A)P (B) 3 6 (A réussit, B rate) et p AB, P (A)P (B) 3 (les réussissent) On procède de même pour AC 6 et pour BC Si on a les 3 chars, A tire sur B, B et C tirent sur A (et personne ne tire sur C, donc il reste au moins C) On a alors p ABC,ABC P (A)P (B)P (C) 3 3 8, p ABC,AC P (A)P (B)P (C) 3 3 8, p ABC,BC P (A)P (B C) P (A)( P (B)P (C)) ( ) et p ABC,C P (A)P (B C) P (A)( P (B)P (C)) ( ) 8 On obtient ainsi la matrice et le graphe suivants : /9 /9 /9 /9 /6 /6 /6 /6 /9 /9 /9 /9 P /6 /6 /6 /6 b) S il ne reste que A et B, A tire sur B et B continue à tirer sur C donc A n est pas menacé et p AB,A P (A) /3 alors que p AB,AB P (A) /3 De même avec A et C (A tire sur B, C sur A donc C n est pas menacé), p AC,C P (C) /3 etp AC,AC P (C) /3 Avec B et C (B tire sur C et C sur A, donc B n est pas menacé), p BC,B P (B) / etp BC,BC P (B) / Si on a les 3 chars, p ABC,ABC P (A)P (B)P (C) 3 3 8, p ABC,AB P (A)P (B)P (C) 3 3 8, p ABC,AC P (A)P (B)P (C) 3 3 8, p ABC,BC P (A)P (B)P (C) 3 3 8, p ABC,A P (A)P (B)P (C) 3 3 8, p ABC,B P (A)P (B)P (C) 3 3 8, p ABC,C P (A)P (B)P (C) et p ABC, P (A)P (B)P (C) 3 3 On obtient ainsi la matrice et le graphe suivants 8 :
3 Processus aléatoires 3 P /8 /8 /8 /8 /8 /8 /8 /8 /3 /3 /3 /3 / / 3 On considère 5 points équirépartis sur un cercle Un promeneur saute à chaque instant, d un point à l un de ses voisins avec la probabilité / pour chaque voisin Déterminer le graphe et la matrice de transition de la chaîne ainsi obtenue Quelle est la période de ses états? L ensemble des états est E {,, 3,, 5} On a p i,i+ p i,i / pour i {, 3, }, p, p,5 / etp 5, p 5, /, ce qui donne la matrice : P / / / / / / / / / / et le graphe : La chaîne est irréductible (tous les états communiquent) et finie donc récurrente positive Comme tous les états sont dans la même classe, leur période est la même On a d() pgcd{n ; p (n), > } Or p (), p,p, > etp(5), p,p,3 p 3, p,5 p 5, > Or le seul diviseur commun à et à 5 5 est On a donc d d() : cette chaîne est donc apériodique On dispose de machines identiques fonctionnant indépendamment et pouvant tomber en panne au cours d une journée avec la probabilité q On note X n le nombre de machines en panne au début de la n-ième journée a) On suppose que, si une machine est tombée en panne un jour, elle est réparée la nuit suivante et qu on ne peut réparer qu une machine dans la nuit Montrer que l on peut définir ainsi une chaîne de Markov dont on déterminera le graphe, la matrice de transition et éventuellement les distributions stationnaires b) Même question en supposant qu une machine en panne n est réparée que le lendemain, le réparateur ne pouvant toujours réparer qu une machine dans la journée c) Le réparateur, de plus en plus paresseux, met maintenant jours pour réparer une seule machine Montrer que (X n ) n est plus une chaîne de Markov, mais que l on peut construire un espace de 5 états permettant de décrire le processus par une chaîne de Markov dont on donnera le graphe des transitions Calculer la probabilité que les machines fonctionnent après n jours (n,n etn 3) si elles fonctionnent initialement a) L ensemble des états est E {, } car si le soir il y a une ou aucune machine en panne, le lendemain matin, il y en aura ; et si le soir, il y en a, le lendemain matin, il y en aura une seule Le nombre de machines en panne le matin ne dépend que de celui de la veille au matin et de ce qu il
4 Exercices s est passé dans la journée, ceci indépendamment de la période de l année On a donc bien une chaîne de Markov dont il faut déterminer la matrice de transition On a p, q (les machines tombent en panne dans la journée et ces pannes sont indépendantes entre elles) et p, ( q) +q( q) q (( q) correspond à aucune panne dans la journée et q( q) à une seule panne qui peut provenir d une machine ou de l autre) On a également p, q (la machine en panne est réparée et l autre fonctionne toujours), et p, q (la machine en panne est réparée ( et l autre est ) tombée en panne) Ainsi, on a la matrice : q q P et le graphe : q q ( q Pour la distribution stationnaire, on résout (π,π )(π,π ) q q ) d où π q q π et avec π + π, on obtient π (+ q q q π q + q Avec q, on a alors π 3 et π 3 q ), soit π q π + qπ,, soit π q q + q et b) On a maintenant E {,, } car aucune machine n est réparée la nuit ; p, ( q) (aucune panne dans la journée), p, q( q) (une des machines est tombée en panne) et p, q (les machines sont tombées en panne) ; p, q (la machine qui fonctionne ne tombe pas en panne), p, q (la machine qui fonctionne tombe en panne, l autre est réparée), p, (la machine en panne est sure de remarcher le lendemain) ; de même, p, (une seule des machines en panne est réparée) Ainsi, on a la matrice: P ( q) q( q) q q q et le graphe : Pour la distribution stationnaire, on résout (π,π,π )(π,π,π ) ( q) q( q) q q q, soit π ( q) q q π +( q)π, d où π q π et π q π, d où avec π + π + π, on obtient ( ) π +q q q +, soit π q q +q q 3, π q q +q q 3 et π q q 3 +q q 3 Avec q,ona alors π 8 79, π 8 79 et π 3 79 c) Si on garde l ensemble des états E, on n a pas une chaîne de markov car, lorque l on a machines en panne par exemple, on ne peut pas savoir si le lendemain, on en aura ou en panne : tout dépend si c est le premier jour de réparation ou le second On est donc amené à introduire états supplémentaires : ( machine en panne dont c est le deuxième jour de réparation) et ( machines en panne et deuxième jour de réparation pour la première) On a alors p, ( q), p, q( q), p, q ; p, q, p, q, p, q, p, q, p,,p,, les autres probabilités étant nulles On a le graphe :
5 Processus aléatoires 5 On a alors p, ( p), p, () p, p, ( q), p, (3) p, p, p, + p, p, p, ( q) 6 +q( q) 3 5 Déterminer la matrice de transition des chaînes suivantes : a) boules noires et boules blanches sont placées dans urnes de telle façon que chaque urne contienne boules À chaque instant on choisit au hasard une boule dans chaque urne et on échange les deux boules À l instant n, l état du système est le nombre de boules blanches de la première urne b) boules numérotées de à sont réparties dans une urne À chaque instant, on tire un numéro i au hasard entre et et la boule de numéro i est changé d urne À l instant n, l état du système est le nombre de boules dans la première urne c) Déterminer la distribution stationnaire de la chaîne au b) (On montrera qu il s agit de la loi binomiale de paramètres et /) Déterminer l espérance du nombre de tirages nécessaires pour revenir à l état initial dans les cas M, X M et M, X M Donner un équivalent lorsque M est grand et une valeur approchée pour a) Le système est dans l état k lorsque l on a k boules blanches dans A et k dans B (et donc aussi k boules noires dans A et k dans B) Si X n, toutes les boules blanches sont dans B à l instant n, donc les boules choisies seront nécessairement une noire dans A et une blanche dans B et X n+ De même, si X n, alors nécessairement X n+ (car la boule choisie dans A est blanche et celle choisie dans B est noire) Si X n k, aveck {,, }, on aura X n+ k si la boule choisie dans A est blanche (probabilité k ) et la boule choisie dans B est noire (probabilité k ), X n+ k + si la boule choisie dans A est noire (probabilité k k ) et celle choisie dans B est blanche (probabilité ) Enfin, X n+ k si la boule choisie dans A est noire (probabilité k ) et celle choisie dans B est noire (probabilité k ) ou bien si la boule choisie dans A est blanche (probabilité k ) et celle choisie dans B est blanche (probabilité k ) Ainsi, la probabilité d occupation d un état ne dépend que de l état précédent et on a bien une chaîne de Markov de matrice de transition et de graphe : P r p q r p () q r p q k r k p k () q r p q r avec q k k, r k( k) ( k) k, p k pour k, r r,p q b) Le système est dans l état k lorsque l on a k boules dans A et k dans B Si X n, toutes les boules sont dans B à l instant n, donc la boule choisie sera nécessairement dans B et X n+ De même, si X n, alors nécessairement X n+ (car la boule est choisie dans A)
6 6 Exercices Si X n k, aveck {,, }, on aura X n+ k si la boule est choisie dans A (probabilité k ), et X n+ k + si elle est choisie dans B (probabilité k ) Ainsi, la probabilité d occupation d un état ne dépend que de l état précédent et on a bien une chaîne de Markov de matrice de transition et de graphe : P () () k k c) La chaîne est irréductible finie donc récurrente positive Elle admet donc une unique distribution stationnaire, probabilité π solution du système π πp π r π + q π π p π + r π + q π π πp donne π k p k π k + r k π k + q k+ π k+ π p π + r π + q π π p π + r π La ligne donne ( r )π q π, soit p π q π En remplaçant p π par q π dans la ligne, on obtient ( q r )π q π, soit p π q π Ainsi, par récurrence, si p k π k q k π k,en reportant dans la ligne k on obtient ( q k r k )π k q k+ π k+, soit p k π k q k+ π k+, et la ligne redonne ( q )π r π On a donc p π q π p π q π p k π k q k π k p π q π, d où π p q π π p p q q π π k p p k q q k π où p k + q k + r k,q p et π k donne π π p p π q q ( ) ( ) ( ) ( k +)! Pour a) on obtient alors π k π π (C k k k!( k)! ) π ( ) On a alors π (C k ) π C donc π k Ck C k C pour k (C est la loi hypergéométrique, distribution qui correspond à une répartition initiale des boules au hasard, à raison de par urne) Pour b), on obtient π k k+ ( ) ( k +) k π π C k k! π ( ) ( ) k ( ) k On a alors π C k π donc π k C k Ck pour k
7 Processus aléatoires 7 ( Ainsi, π B, ) (C est la distribution qui correspond à une répartition initiale des boules au hasard dans les urnes) 6 Dans Z k,onak directions, et dans chaque direction, on a sens Un point de Z k a donc k voisins Un promeneur oisif saute à chaque instant d un point de Z k à l un de ses voisins avec la même probabilité Étudier la récurrence des chaînes de Markov ainsi obtenues (On distinguera les cas k,k etk 3) a) E Z Pour être de nouveau au point de départ après n étapes, il faut avoir fait autant de pas vers la droite que vers la gauche : ainsi, n doit être pair (n m) Il y a autant de trajets possibles que de m u-plets avec m d et m g, soit C m m, et ils sont tous de probabilité ( ) m Ainsi, p (m) x,x C m m ( ) m (et p (m+) x,x ) Pour la nature de la série, on utilise un équivalent grâce à Stirling : p (m) xx (m)! (m!) ( ) m (m)m e m ( π m e m m m πm ) m πm Ainsi, p (m) xx πm terme général d une série divergente donc la chaîne est récurrente b) E Z Pour être de nouveau au point de départ après n étapes, il faut avoir fait dans chacune des directions autant de pas dans un sens que dans l autre : ainsi, n doit être pair (n m) Si il y a k pas verticaux (et donc m k pas horizontaux), alors il doit y avoir k pas vers le haut, k pas vers le bas, m k pas vers la gauche et m k pas vers la droite Ainsi, dans ces cas-là, il y a Cm k Ck k Cm k m k trajets possibles (on a Cm k façons de choisir les pas verticaux, puis, parmi ceux-ci, on en choisit Ck k vers le haut et, parmi les m k horizontaux on choisit les C m k m k vers la droite par exemple), et ils sont ( ) m tous de probabilité Mais, comme k peut prendre toutes les valeurs de à m, il vient car m m (Cm k ) p (m) xx C k m Cm k m m C m m (m)! (k)!(m k)! (k)! (m k)! (k!) ((m k)!) [ ( ) ( m m ) (C k m) C m m ( ) m ( ) ] m πm C m m (on peut par exemple développer ( + x)m (+x) m ( + x) m des façons et identifier le coefficient de x m dans chacune des expressions) Ainsi, p (m) xx πm terme général d une série divergente donc la chaîne est récurrente c) E Z 3 Pour être de nouveau au point de départ après n étapes, il faut avoir fait dans chacune des 3 directions autant de pas dans un sens que dans l autre : ainsi, n doit être pair (n m) Si il y a k pas dans la direction, k pas dans la direction (et donc m k k pas dans la direction 3), alors il doit y avoir k pas dans chaque sens de la direction, k dans ceux de la direction et m k k dans ceux de la direction 3 Ainsi, dans ces cas-là, il y a C k m Ck m k C k k C k k C m k k (m k trajets k )
8 8 Exercices possibles et ils sont tous de probabilité à chaque pas) Il vient alors p (m) xx (m)! (k )!(m k )! k,k k,k (m)! (k!) (k!) ((m k k )!) ( ) m (3 directions et sens dans chacune, donc 6 possibilités 6 (m k )! (k )!(m k k )! ( ) m 6 (k )! (k )! (m k k )! (k!) (k!) ((m k k )!) ( ) m 6 p (m) xx On pourrait montrer que l on peut majorer cette expression par un terme équivalent à K 3 Ainsi m3/ est le terme général d une série convergente donc la chaîne est transitoire 7 Soit (X n ) n une chaîne de Markov de matrice de transition P 3 a) Représenter le graphe de cette chaîne Déterminer les classes de communication, leur nature, leur périodicité et éventuellement les sous-classes cycliques b) Calculer les probabilités d absorption des états transitoires par les classes récurrentes c) Déterminer les distributions stationnaires de la chaîne et le temps moyen de retour pour les états récurrents Existe-t-il une distribution limite? a) On représente le graphe de la chaîne
9 Processus aléatoires 9 On a une chaîne finie donc essentiel équivaut à récurrent positif et non essentiel équivaut à transitoire On a classes récurrentes R {, 6, 8} apériodique, R {, 7, } de période, de sous-classes cycliques {, } et {7} et 3 classes transitoires T {9} apériodique, T {} de période et T 3 {3, 5} apériodique b) On note a k (resp a k ) la probabilité d absorption de l état k par la classe R (resp R ) pour k T {, 3, 5, 9} Si a désigne le vecteur colonne des a k, on sait que a a() + P T a avec a 9 () a () a 3 (), a 5 () p 58, soit a a 5 a 3 a 5 + a a 3 a 9 a 5 a 3 + a 5 3 a 9 + a 3 3 a + a 9 ( Ainsi a a 5 a 9 a 3 et ) a 3, soit a 3 7 et a a 5 a 9 7 a De même, a 3 a 5 a + a a 5 a 3 9 a + a 3 + a a + a donne a a a + a 9 a 9, a 3 + a 5 et a a 5, soit a a 5 a et a a k + a k ) (et on a bien c) On a déjà π π 3 π 5 π 9 (états transitoires) et π λ π () + λ π () où π (i) est l unique distribution stationnaire de la chaîne restreinte à R i, λ i etλ + λ On a ( ) / / (π (),π() 6,π() 8 )(π(),π() 6,π() 8 ) / / π () 6 + π () 8, π() + π () 8, π() + π () 6 avec / / π () + π () 6 + π () 8 On a donc π () π () 6 π () 8 3 et µ µ 6 µ 8 3 De même, (π (),π() 7,π() )(π(),π() 7,π() ) ( / / π() 7,π() + π (), ) π() 7 avec π () + π () 7 + π () On a donc π() π () π() 7 d où π () 7, π() π () ; µ µ,µ 7 ( λ 3,,, λ,, λ 3, λ, λ 3,, λ ), λ i etλ + λ Finalement π Processus de Poisson 8 Calculer la loi du n-ième temps d arrivée d un processus de Poisson de deux façons : a) En utilisant [S n t] [ t n] ; b) En utilisant S n T + T + + T n
10 Exercices a) F Sn (t) P ([S n t]) P ([ t n]) P ([ t n ]) pour n (S ), soit n F Sn (t) e λt (λt) k pour n ett> On a alors, k! n f Sn (t) F S n (t) λe λt [ n e λt [ n e λt (λt) k k! λ k+ t k k! λ k+ t k k! n e λt n k n λ k kt k k! ] λ k t k (k )! ] λ k+ t k k! k et finalement f Sn (t) λn (n )! e λt t n I ],+ [ (t) : on reconnait la densité de la loi gamma Ga(n, λ) b) Par récurrence, S T donc S suit la loi E(λ) Ga(,λ) Si S n suit la loi Ga(n, λ), comme S n+ S n +T n+ et que S n T +T + +T n est indépendante de T n+,ona: f Sn+ (t) f Sn (u)f Tn+ (t u) du λ n (n )! e λu u n I ],+ [ (u) λe λ(t u) I ],+ [ (t u) du λ n+ (n )! e λt u n I ],+ [ (u)i ],+ [ (t u) du avec I ],+ [ (u)i ],+ [ (t u) siu>ett u>, c est-à-dire <u<t, soit t>etu ],t[ On a donc f Sn+ (t) λn+ (n )! e λt I ],+ [ (t) t u n du λn+ (n )! e λt I ],+ [ (t) tn n soit f Sn+ (t) λn+ n! e λt t n I ],+ [ (t) et S n+ suit donc bien la loi gamma Ga(n +,λ) 9 Un radar est placé sur une route où il passe en moyenne 5 véhicules en excès de vitesse par heure On admet que ces véhicules forment un Processus de Poisson Quelle est la probabilité qu au bout d une demi-heure, une voiture exactement se soit arrêtée sachant que : a) dans le premier quart d heure, aucune voiture n a été prise et dans la première heure, deux voitures ont été prises ; b) la première heure, deux voitures ont été prises et dans les deux premières heures, trois voitures ont été prises ; c) dans les dix premières minutes, aucune voiture n a été prise et dans le premier quart d heure, une voiture a été prise
11 Processus aléatoires P ([ u k]/[ s i] [ t j]) P ([ u k] [ s i] [ t j]) P ([ s i] [ t j]) avec P ([ s i] [ t j]) P ([ s i] [ t s j i]) P ([ s i])p ([ t s j i]) P ([ s i])p ([ t s j i]) λs (λs)i λ(t s) (λ(t s))j i e e i! (j i)! e λt λj s i (t s) j i i!(j i)! a) Cas s u t Pour i k j, ona: P ([ u k] [ s i] [ t j]) P ([ s i] [ u s k i] [ t u j k]) P ([ s i])p ([ u s k i])p ([ t u j k]) P ([ s i])p ([ u s k i])p ([ t u j k]) On a donc P ([ u k]/[ s i] [ t j]) P ([ u s k i])p ([ t u j k]) P ([ t s j i]) k i e λ(u s) (λ(u s)) (k i)! e λ(t u) (λ(t u)) j k (j k)! e λ(t s) (λ(t s))j i (j i)! soit P ([ u k]/[ s i] [ t j]) C k i (u s) k i (t u) j k j i (t s) j i Pour u /, k,λ h, s /, t,i etj, on a u s, t u, t s 3, k i,j k,j i etp a ( 3, soit p ), 9 b) Cas u s t Pour k i j, ona: P ([ u k] [ s i] [ t j]) P ([ u k] [ s u i k] [ t s j i]) P ([ u k])p ([ s u i k])p ([ t s j i]) P ([ u k])p ([ s u i k])p ([ t s j i]) On a donc P ([ u k]/[ s i] [ t j]) P ([ u k])p ([ s u i k]) P ([ s i]) k e λu (λu) k! e λ(s u) (λ(s u)) i k (i k)! e λs (λs)i i! On a donc P ([ u k]/[ s i] [ t j]) Ci k u k (s u) i k s i soit P ([ u k]/[ s i] [ t j]) Ci k u k (s u) i k s i Pour u /, k,λ h, s,t,i etj 3, on a s u 3, i k etp b, soit p b, 5
12 Exercices c) Cas s t u Pour i j k, ona: P ([ u k] [ s i] [ t j]) P ([ s i] [ t s j i] [ u t k j]) P ([ s i])p ([ t s j i])p ([ u t k j]) P ([ s i])p ([ t s j i])p ([ u t k j]) λ(u t) (λ(u t))k j On a donc P ([ u k]/[ s i] [ t j]) P ([ u t k j]) e (k j)! Pour u /, k,λ h, s /6, t /, i etj, on a u t /, k j et p c e /, 56 Les arrivées d autobus à une station forment un processus de Poisson d intensité λ Chaque autobus s arrête un temps fixe τ à la station Un passager qui arrive à un instant t monte dans le bus si celui-ci est là, attend pendant un temps τ, puis, si l autobus n est pas arrivé pendant le temps τ, quitte la station et s en va à pied Déterminer la probabilité que le passager prenne l autobus Le passager repart à pied si lorsqu il arrive à l instant t, il n y a plus de bus, donc le dernier est arrivé avant t τ (sinon, il serait encore là), et si à l instant t +τ, le suivant n est toujours pas arrivé Il ne doit y avoir aucune arrivée de bus entre t τ et t +τ, soit, pendant une durée t +τ (t τ) τ +τ Ainsi, la probabilité que le passager reparte à pied est P ([ t+τ t τ ]) P ([ τ+τ ]) e λ(τ+τ ) et la probabilité que le passager prenne l autobus est e λ(τ+τ ) Sur une route à sens unique, l écoulement des voitures peut être décrit par un processus de Poisson d intensité λ 6 s Un piéton qui veut traverser la route a besoin d un intervalle d au moins s entre voitures successives Calculer : a) la probabilité pour qu il doive attendre ; b) la durée moyenne des intervalles qui lui permettent de traverser la route ; c) le nombre moyen de voitures qu il voit passer avant de pouvoir traverser la route a) Le piéton ayant besoin d au moins s pour traverser, il devra attendre si U Or P ([U ]) λe λu du [ e λu] e λ car on a vu à l exercice 3 que U suit la loi exponentielle E(λ) Comme λ /6, P ([U ]) e /6 La probabilité pour qu il doive attendre est donc e /3, 87 b) On cherche E [U>] (U) c est-à-dire uf [U>] U (u) du Ona F [U>] U (u) P [U>] ([U u]) P ([ <U u]) P ([U >]) P ([U u] [U >]) P ([U >]) si u F U (u) F U () si u> P ([U >])
13 Processus aléatoires 3 et donc f [U>] U (u) f U (u) P ([U >]) I ],+ [(u) λe λ(u ) I ],+ [ (u) puis E [U>] (U) λu e λ(u ) du vλ e λv dv + vu λ(v +)e λv dv λe λv dv λ + car vλ e λv dv est l espérance d une var de loi exponentielle E(λ) et sa densité Ainsi, il faut en moyenne 6 + s pour que le piéton puisse traverser λe λv dv l intégrale de c) Soit le nombre moyen de voitures que voit passer le piéton avant de pouvoir traverser la route On a [ ][U>], où U est le temps entre l arrivée du piéton et la prochaine voiture ; [ ][U ] [U > ] où U est le temps entre la première et la deuxième voiture qui se présentent après l arrivée du piéton Plus généralement, [ k] [U ] [U ] [U k ] [U k > ] où U k est le temps entre la k-ième et la (k + )-ième voiture qui se présentent après l arrivée du piéton Les var U, U,,U k étant toutes indépendantes et de même loi exponentielle E(λ) onap ([ ]) P ([U >]) e λ et P ([ k]) P ([U ])P ([U ]) P ([U k ])P ([U k > ]) e λ ( e λ ) k e /3 ( e /3 ) k (valable aussi pour k ) On reconnait la loi géométrique G(e /3 ) sur G (s) + + s k P ([ k]) e /3 (s( e /3 )) k e /3 soit G (s) s( e /3 ) et G (s) e /3 ( e /3 ) ( s( e /3 )) On a alors E() G e /3 () e /3, 98 e /3 Le piéton voit donc passer en moyenne voiture avant de traverser On considère un appareil de comptage, qui dénombre les voitures sur une route, de flux poissonien d intensité λ L appareil peut tomber en panne à l instant T, où T est une variable aléatoire de loi Gamma γ(,a) Soit X le nombre de véhicules enregistrés par l appareil jusqu à ce qu il tombe en panne Déterminer la loi et l espérance de X P ([X n]) P ([X n]/[t t])f T (t)dt [T t] avec P ([X n]/[t t]) P ([X t n]) (ie P X P Xt ) car, à l instant t où l appareil tombe en λt (λt)n panne, il a enregistré n passages On sait que P ([X t n]) e et f T (t) n! Γ(a) e t t a I ],+ [ (t) Donc : P ([X n]) λ n n!γ(a) λt (λt)n e n! Γ(a) e t t a dt λn n!γ(a) e v v a+n (λ +) a+n dt λ n Γ(a + n) (λ +) n+a Γ(a)n! e (λ+)t t a+n dt
14 Exercices La loi de X étant peu sympathique, pour calculer( E(X), ) il est préférable de passer par E (T t) (X) E(X t )λt On a alors E T (X) λt et E(X) E E T (X) λe(t )λa Processus de naissance et de mort 3 La durée de bon fonctionnement d une machine est une variable aléatoire de loi exponentielle de paramètre λ En cas de panne, le temps de réparation obéit à une loi exponentielle de paramètre µ Quelle est la probabilité que la machine fonctionne à l instant t si elle fonctionnait à l instant? On a un processus de Markov à états : état : la machine fonctionne ; état la machine est en panne Si T est la durée de bon fonctionnement, on a avec P ([T >t]) t p, (h) P ([T <t+ h]/[t >t]) λe λx dx e λt et P ([t <T<t+ h]) P ([t <T<t+ h]) P ([T >t]) t+h p, (h) e λh ( λh + o(h)) λh + o(h) donc λ λ De même, avec la durée de réparation, p, (h) µh + o(h) donc µ µ t λe λx dx e λt e λ(t+h) donc On a un processus de naissance et de mort extrêmement simple, puisqu il n y a que états (et un seul boudin!) Ainsi, il suffit de résoudre : p (t) λp (t)+µp (t) p (t)+p (t) p () qui équivaut à p (t) λp (t)+µ( p (t)) p (t)+p (t) p () p (t) (λ + µ)p (t)+µ c est-à-dire à p (t)+p (t) p () On est conduit a une équation différentielle linéaire du premier ordre, dont une solution particulière µ est λ + µ est dont l équation sans second membre a pour solution Ce (λ+µ)t Ainsi p (t) µ λ + µ + Ce (λ+µ)t avec p () µ µ + C, donc C λ + µ λ + µ λ λ + µ et finalement, la probabilité que la machine fonctionne à l instant t est p (t) µ λ + µ + λ λ + µ e (λ+µ)t
15 Processus aléatoires 5 Un joueur décide de faire des paris jusqu à qu il soit ruiné ou bien qu il ait atteint euro S il dispose de j euro quand il effectue un pari, alors, à ce pari, il gagne euro avec la probabilité p j ou bien il perd euro avec la probabilité q j p j On note a k la probabilité de finir ruiné avec une fortune initiale de k euro et a (n) k la probabilité de finir ruiné en n paris a) Modéliser le problème par une chaîne de Markov et faire le graphe correspondant b) Déterminer a et a c) Montrer que : a () q et a (n) p a (n ) si n ; pour j, a () j eta (n) j p j a (n ) j+ + q j a (n ) j si n d) En déduire que : a q + p a et a j p j a j+ + q j a j si j, puis p j (a j a j+ )q j (a j a j ) pour j ; a j a j+ d j (a a ) pour j, si on pose d j q q j p p j e) Vérifier que a k (a j a j+ ) pour k et que (a j a j+ ), et en déduire que a k jk d j jk + j d j f) En déduire, en faisant +, la probabilité de ruine du joueur j a) Le processus est bien invariant dans le temps et la connaissance du processus à un instant suffit pour déterminer la probabilité d occupation d un état à l instant suivant On a bien une chaîne de Markov, de matrice de transition P (p i,j )où p i,i+ p i, p i,i q i et p i,j si i j b) a et a c) a () q (passage de à en étape) et a (n) p a (n ) si n car alors, on est obligé de commencer par un passage de à pour ne pas être absorbé directement ; il faudra ensuite n étapes pour passer de à pour j, a () j car on ne peut pas passer directement de j à Pour déterminer a (n) j, on décompose en cas suivant le premier déplacement : soit on commence par passer de j à j + (avec la probabilité p j ), soit on commence par passer de j à j (avec la probabilité q j ) ; il restera alors n déplacements à effectuer pour se rendre en et a (n) j d) Il faut maintenant utiliser a j + n a (n) j : p j a (n ) j+ + q j a (n ) j si n
16 6 Exercices a a () + a (n) n q + p n a (n ), soit a q + p a De même, si j, a j a () j + a (n) j p j a (n ) j+ +q j a (n ) j, d où a j p j a j+ + q j a j si j n n n On a alors, comme a j (p j + q j )a j, p j (a j a j+ )q j (a j a j ) pour j (car a j p j a j+ + q j a j est encore vrai pour j puisque a ) a j a j+ q j (a j a j ) donne a a q (a a ), puis a a 3 q q (a a ) et de proche p j p p p en proche, a j a j+ d j (a a ) pour j, si on pose d j q q j p p j e) (a j a j+ ) est une somme télescopique : tout se simplifie sauf le premier et le dernier jk terme qui vaut a et donc (a j a j+ )a k pour k jk Le principe reste le même si l on part de j On a alors Ainsi a k (a j a j+ ) jk (a j a j+ )a a et, comme (a j a j+ )d j (a a ) pour j, on a bien, en simplifiant (a j a j+ ) j numérateur et dénominateur par (a a ), on a bien a k j d j jk + f) Si le joueur n arrête que lorsqu il est ruiné, cela revient à considérer que + et on a alors j d j + d j jk a k + + d j j si + j d j converge 5 On considère une station de taxis comportant K places pour les taxis et une capacité d accueil illimitée pour les clients qui se présentent, de façon Poissonnienne, au rythme de λ par heure Les taxis arrivent également de façon Poissonnienne, au rythme de µ par heure, mais ne s arrêtent qu avec la probabilité s il y a déjà m taxis ( m<k) m + a) Vérifier qu on est en présence d un processus de naissance et de mort et en donner le graphe (états (n, m) n,m {, K} ) b) A : K 3,λ, µ 5 Donner la proportion de temps pendant laquelle il n y a pas de taxi et le temps moyen d attente d un client a) On ne peut jamais avoir en même temps des taxis et des clients, donc les états sont (,K) (, ), (, ), (, ),, (n, ),,
17 Processus aléatoires 7 les différentes transitions possibles correspondant à une arrivée d un client ou d un taxi, on a le graphe et les équations de balance suivants : λp,k µ K p,k λp, µ p, λp, µp, λp n, µp n, et donc, en posant ρ λ µ, p,k Kρp,K,, p, ρp, K!ρ K p,k, puis p, ρp,, p, ρ p,,, p n, ρ n p,, et p, ρ p,,, p,k K!ρ K p, et on obtient p, en écrivant que [ + ] K la somme des probabilités de chaque état vaut, ce qui donne p, ρ n + m!ρ m, qui n est n m possible que si ρ< On a alors : [ p, K ρ + m ] m!ρ m, p n, ρ n p, et p,m m! ρ m p, b) A : K 3,λ, µ 5 Alors ρ [ 3 et p, ] 9 6 8, soit [ 7 p, ] + 9 [ ] , ie p, et on a alors p, 8 33, p, et p,3 La probabilité qu il y ait au moins un taxi est p, + p, + p, donc il n y a pas de taxi pendant la fraction de temps 6 soit environ 8, 5% du temps 33 Une personne qui arrive attend en moyenne µ de chaque taxi est en moyenne µ ) si elle est seule et n + µ si il y a déjà n personne (l attente + n + On a donc W a µ p n p +, (n +)ρ n p, µ µ( ρ), soit W a h 5, 8mn : 33 n n le temps moyen d attente d un client est donc environ 5mn9s 6 On considère étudiants qui, chacun, lorsqu ils sont à Toulouse, y restent un temps exponentiel de paramètre µ avant d en sortir et inversement, restent un temps exponentiel de paramètre λ à l extérieur avant de rentrer Soit X t le nombre de ces étudiants qui sont sur Toulouse à l instant t Vérifier que (X t ) est un processus de naissance et de mort ; représenter son graphe ; établir que la distribution stationnaire est la loi binomiale B (, λ λ + µ ) µ 5jours et λ jours et trouver le nombre moyen d étudiants sur Toulouse lorsque 3,
18 8 Exercices Chaque étudiant passe de Toulouse à l extérieur avec un taux µ (car T i a pour loi E(µ) et la preuve est la même qu à l exercice ), et passe de l extérieur à Toulouse avec un taux λ (car T e a pour loi E(λ)) À partir de, la seule transition possible (non négligeable, du moins!) est de vers, qui correspond à une entrée, pouvant venir de l un des étudiants : taux λ À partir de, la seule transition possible est de vers, qui correspond à un départ de l un des étudiants : taux µ À partir de k {,, }, on peut passer à k si l un des k étudiants quitte Toulouse (taux kµ et on peut passer à k + si l un des k étudiants revient à Toulouse (taux ( k)µ On a bien un processus de naissance et de mort dont le graphe des taux est le suivant : Pour déterminer le régime stationnaire, on écrit les équations de balance, boudin par boudin On a donc : λp µp ( )λp µp ( k +)λp k kµp k λp µp ce qui donne, en exprimant toutes les probabilités en fonction de p : p λ µ p p p k ( )λ p µ ( ) ( ) λ p µ ( k +)λ ( ) ( k +) p k kµ k! ( ) k λ p µ p λ ( ) µ p ( ) λ p! µ ( ) [ k λ ( ) ] k λ ( ) k ( ) λ λ soit p k C k p et p k donne p Or µ µ µ µ + (λ + µ) µ et donc p k C k λ k µ k ( ) λ La distribution stationnaire est donc la loi binomiale B, (λ + µ) λ + µ En particulier, E(X) λ λ + µ + µ λ A 3, E(T i )5 µ et E(T e) λ, donc µ λ 3 et E(X) Le nombre moyen d étudiants sur Toulouse est donc 6,
Modèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en détailProbabilités 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 détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailExercices 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 détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailModule 7: Chaînes de Markov à temps continu
Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R
Plus en détailTravaux 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 détailTSTI 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 détail4 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 détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailBaccalauréat 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 détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailChaînes 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 détailMoments 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 détailProbabilités 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 détail3. 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 détailProbabilités 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 détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailFeuille 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 détailArbre de probabilité(afrique) Univers - Evénement
Arbre de probabilité(afrique) Univers - Evénement Exercice 1 Donner l univers Ω de l expérience aléatoire consistant à tirer deux boules simultanément d une urne qui en contient 10 numérotés puis à lancer
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailTexte 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 détailBaccalauréat 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 détailContents. 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 détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailVariables 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 détailCONCOURS 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 détailExercice 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 détailSimulation 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 détailActuariat 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 détail9 5 2 5 Espaces probabilisés
BCPST2 9 5 2 5 Espaces probabilisés I Mise en place du cadre A) Tribu Soit Ω un ensemble. On dit qu'un sous ensemble T de P(Ω) est une tribu si et seulement si : Ω T. T est stable par complémentaire, c'est-à-dire
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailBaccalauréat 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 détailProbabilités. Une urne contient 3 billes vertes et 5 billes rouges toutes indiscernables au toucher.
Lycée Jean Bart PCSI Année 2013-2014 17 février 2014 Probabilités Probabilités basiques Exercice 1. Vous savez bien qu un octet est une suite de huit chiffres pris dans l ensemble {0; 1}. Par exemple 01001110
Plus en détailThéorie 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 détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailP1 : Corrigés des exercices
P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailProbabilités 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 détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détail14. Introduction aux files d attente
14. Introduction aux files d attente MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: Files d attente 1/24 Plan 1. Introduction 2. Modèle M/M/1 3. Modèle M/M/1/K MTH2302D: Files
Plus en détailBaccalauréat ES Amérique du Nord 4 juin 2008
Baccalauréat ES Amérique du Nord 4 juin 2008 EXERCICE 1 Commun à tous les candidats f est une fonction définie sur ] 2 ; + [ par : 4 points f (x)=3+ 1 x+ 2. On note f sa fonction dérivée et (C ) la représentation
Plus en détailLe 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 détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailCouples 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 détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailExercices de dénombrement
Exercices de dénombrement Exercice En turbo Pascal, un entier relatif (type integer) est codé sur 6 bits. Cela signifie que l'on réserve 6 cases mémoires contenant des "0" ou des "" pour écrire un entier.
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailProbabilités. 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 détailProbabilité. 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 détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailI3, 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 détailThéorème 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 détailI. Cas de l équiprobabilité
I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5 ARTHUR CHARPENTIER 1 Un certain test médical révèle correctement, avec probabilité 0.85, qu une personne a le sida lorsqu elle l a vraiment et révèle incorrectement,
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailChapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :
Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailavec des nombres entiers
Calculer avec des nombres entiers Effectuez les calculs suivants.. + 9 + 9. Calculez. 9 9 Calculez le quotient et le rest. : : : : 0 :. : : 9 : : 9 0 : 0. 9 9 0 9. Calculez. 9 0 9. : : 0 : 9 : :. : : 0
Plus en détailExercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument
Formes algébriques et trigonométriques, module et argument Exercice - - L/Math Sup - On multiplie le dénominateur par sa quantité conjuguée, et on obtient : Z = 4 i 3 + i 3 i 3 = 4 i 3 + 3 = + i 3. Pour
Plus en détailPROBABILITÉS CONDITIONNELLES
PROBABILITÉS CONDITIONNELLES A.FORMONS DES COUPLES Pour la fête de l école, les élèves de CE 2 ont préparé une danse qui s exécute par couples : un garçon, une fille. La maîtresse doit faire des essais
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
Plus en détailUniversité Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot. 1 Ensemble fondamental loi de probabilité
Université Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot 1 Ensemble fondamental loi de probabilité Exercice 1. On dispose de deux boîtes. La première contient
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailExemple On lance une pièce de monnaie trois fois de suite. Calculer la probabilité d obtenir exactement deux fois pile.
Probabilités Définition intuitive Exemple On lance un dé. Quelle est la probabilité d obtenir un multiple de 3? Comme il y a deux multiples de 3 parmi les six issues possibles, on a chances sur 6 d obtenir
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailProbabilités 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 détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailFonctions 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 détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
Plus en détailReprésentation géométrique d un nombre complexe
CHAPITRE 1 NOMBRES COMPLEXES 1 Représentation géométrique d un nombre complexe 1. Ensemble des nombres complexes Soit i le nombre tel que i = 1 L ensemble des nombres complexes est l ensemble des nombres
Plus en détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
Plus en détailSUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION)
Terminale S CHIMIE TP n 2b (correction) 1 SUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION) Objectifs : Déterminer l évolution de la vitesse de réaction par une méthode physique. Relier l absorbance
Plus en détailCorrection du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
Plus en détailUFR 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