CHAPITRE II NOTIONS DE PROBABILITES

Dimension: px
Commencer à balayer dès la page:

Download "CHAPITRE II NOTIONS DE PROBABILITES"

Transcription

1 CHAPITRE II NOTIONS DE PROBABILITES II.1. Un exemple : le poker Distribuer une main de poker (5 cartes sur 52) revient à tirer au hasard 5 cartes parmi 52. On appelle expérience aléatoire une telle expérience dont l issue est soumise au hasard. Une main ainsi effectivement tirée au hasard est une réalisation de l expérience, appelée une épreuve ou expérience élémentaire. Pour permettre l analyse des mains distribuées on doit d abord identifier l ensemble des mains possibles. L ensemble de tous les résultats possibles d une expérience aléatoire est appelé ensemble fondamental de l expérience aléatoire ou univers des possibles, ou espace des épreuves, (anglais : sample space), dénoté par Ω ou E ou S. Pour le poker c est l ensemble de toutes les mains possibles. Il s agit bien entendu ici de l ensemble de tous les sous-ensembles à 5 éléments d un ensemble à 52 éléments. Le nombre d épreuves possibles est alors donné par le coefficient binomial C 5 52 (voir Ch. I), i.e. card E = C 5 52 = Un événement aléatoire A est représenté par un sous-ensemble, également noté A, de l ensemble fondamental. Par exemple, l événement aléatoire A = «la main est un brelan» est décrit par l ensemble de toutes les mains contenant trois cartes de même hauteur et deux autres cartes de hauteurs différentes. Les opérations logiques sur les événements vont être des opérations (booléennes) sur les parties d un ensemble. Par exemple, l événement aléatoire A c = «la main n est pas un brelan» va être décrit par le complémentaire de A dans l ensemble fondamental. Ceci indique pourquoi les notions de théorie des ensembles sont importantes. Pour attribuer une probabilité à l événement A = «la main est un brelan» on fait l hypothèse que chaque main à la même probabilité! Ainsi pour chaque événement A, la probabilité de A doit être naturellement donnée par la somme de probabilités des mains qui constituent A, ce qui s écrit : Probabilité (A) = card A/card E = nombre de cas favorable/ nombre de cas possibles Il y a mains qui sont un brelan. On peut ainsi calculer la probabilité d avoir un brelan Probabilité (A = «la main est un brelan») = /

2 Dans cette approche axiomatique on a attribué a priori une probabilité pour chaque main de poker. Dans des expériences réelles avec des cartes ou des simulations numériques on observe que la fréquence d apparition de A dans une longue série d expérience converge vers cette probabilité. Plus précisément, on répète l expérience aléatoire (indépendamment) N fois. La fréquence d apparition d un événement A est définie par : ν N (A) = nombre de fois où A est réalisé/nombre total d expériences Ici, on distribue, par exemple, 1 million de fois les cartes et on compte la fréquence des brelans. Dans la loi des grands nombres nous démontrerons que lim N ν N (A) = Probabilité (A) pour la probabilité définie ci-dessus. Ceci pourrait constituer une définition de «type fréquentiste» de la probabilité de A. II.2. La définition du modèle probabiliste II.2.a. L ensemble fondamental Dans une expérience aléatoire, on commence par recenser l ensemble de tous les résultats possibles de l expérience. Cet ensemble non vide noté E (ou quelquefois Ω ou S) est l ensemble fondamental ou l univers des possibles ; ses éléments ω sont appelés épreuves. L ensemble fondamental E peut-être fini, dénombrable ou infini non-dénombrable. Exemples : 1. On jette un dé : E = {1,2,3,4,5,6}, card E = On jette une pièce : E = {P, F}, card E = On jette 3 dés : E = {(k 1, k 2, k 3 ) : k j {1,2,3,4,5,6} pour j = 1,2,3} = {1,2,3,4,5,6} 3, card E = 6 3 = On jette 4 pièces : E = {P, F} 4 = 2 4 = On tire 5 cartes parmi 52 (Poker) : E = ensemble de toutes les parties à 5 éléments d un ensemble à 52 éléments = ensemble de toutes les mains possibles, card E = C 5 52 = On tire k boules (sans remise) dans une urne qui en contient n k boules numérotées 1 à n. E = ensemble de toutes les parties à k éléments d un ensemble à n éléments, card E = C k n. 7. On tire k boules (avec remise) dans une urne qui en contient n boules numérotées 1 à n. E = ensemble de toutes les tuples à k éléments d un ensemble à n éléments, card E = n k.

3 II.2.b. La notion d événement Un événement aléatoire A est représenté par un sous-ensemble, également noté A, de l ensemble fondamental. Un ω A est un résultat possible. Si ω est une épreuve et ω A on dit que l événement se réalise dans l épreuve ω. L ensemble vide est appelé événement impossible et l ensemble fondamental E est un événement appelé événement certain. Exemples : 1. On jette un dé. L événement «Le résultat est pair» est représenté par l ensemble A = {2,4,6} 2. Poker: L événement «La main est un full» est représenté par l ensemble A ={{c1,c2,c3,c4,c5} E dont la main {c1,c2,c3,c4,c5} est un full} On utilise parfois simultanément le langage de la théorie des ensembles et celui des probabilités. Le dictionnaire suivant donne la correspondance entre les notions fréquemment utilisées. Théorie des ensembles Probabilités A sous-ensemble A événement A = ensemble vide A événement impossible A = E ensemble fondamental E événement certain A B A entraîne B A B intersection A et B, conjonction de A et B A B réunion A ou B, au moins un de A et B A c complémentaire de A Contraire de A A \ B différence A et contraire de B A B différence symétrique Exactement un événement de A ou B A B = ensembles disjoints A et B sont des événements incompatibles (A i ) i I partition de E (A i ) i I système complet d événement Remarque (à éviter en première lecture) : Pour permettre l analyse d une expérience aléatoire on doit considérer a priori une classe A d événements. Dans les cas élémentaires comme dans l exemple du poker, cette classe A est la plupart du temps égale à l ensemble de tous les sous-ensembles de E, notée (E), i.e. tout sous-ensemble peut être considéré comme événement. En particulier, tout A à un élément, A = {ω}, est appelé événement élémentaire. Dans le cas général, cette classe A d événements doit satisfaire les propriétés suivantes: Elle contient E et elle est stable par complémentation et par réunion dénombrable. Un tel A est appelé tribu sur l ensemble fondamental E. Dans le cours présent nous ne discutons pas cette partie de la construction du modèle probabiliste.

4 II.2.c. La notion de probabilité Cas discret (fini ou dénombrable) Si E est fini, de cardinal N, i.e. E = {ω 1, ω 2,.., ω N }, toute probabilité sur E est déterminée par la donnée de N nombres réels p i compris entre 0 et 1 et de somme 1 : p 1 + p 2 + +p N = 1. En effet, si on pose p i = probabilité que ω i soit réalisé, il est clair que ces deux propriétés sont satisfaites et que l on peut calculer la probabilité de tout événement A par la formule très simple PA ( ) = pi i: ωi A On vérifie sur cette formule les propriétés fondamentales suivantes de P : 1. P(A) [0,1] 2. P(E) = 1 3. Si A et B sont des événements incompatibles, alors P(A B) = P(A) + P(B). Ces trois propriétés vont servir d axiomes dans le cas général où E n est pas fini. L exemple fondateur de la théorie est le cas équiprobable (pour E fini) : tous les résultats possibles (i.e. tous les ω i ) ont la même probabilité p i = 1/N = 1/card E. C est le cas d une distribution uniforme discrète. Donc dans ce cas équiprobable la probabilité d un événement A est donnée par : P(A) = card A/card E = nombre de cas favorable/ nombre de cas possible Exemple 1 : On jette un dé honnête. Donc l ensemble fondamental est E = {1,2,3,4,5,6} et P({i}) = 1/6 pour i = 1,2,3,4,5,6. L événement «Le résultat est pair», donné par A = {2,4,6}, a pour probabilité P(A) = ½. Exemple 2: (Galilée, ) On compte la somme des valeurs de trois dés jetés simultanément. Il y a six configurations différentes qui permettent d'obtenir 9 ou 10: pour 9 : (6,2,1), (5,3,1), (5,2,2), (4,4,1), (4,3,2) et (3,3,3), pour 10 : (6,3,1), (6,2,2), (5,4,1), (5,3,2), (4,4,2) et (4,3,3). Soit S la somme obtenue, peut-on en déduire que P(S=9) = P(S=10)? On ne peut pas en déduire que P(S=9)=P(S=10) car les configurations ne sont pas équiprobables. Il faut tenir compte de l'ordre et donc des permutations possibles de chaque configuration. Ainsi (3,3,3) ne "compte qu'une fois" alors que (5,2,2) "compte triple" et (5,3,1) "compte six fois". On obtient ainsi: P(S=9) = 25 / 216 et P(S=10) = 27 / 216

5 Cas général L ensemble fondamental E n est plus supposé fini ou dénombrable. On ne définit pas la probabilité de chaque ω de E. On définit plutôt directement la probabilité de tous les événements. Ceci demande en général la construction d une tribu A (voir Ch. II.2.b.). Définition : Une distribution de probabilité (une loi de probabilité, une mesure de probabilité) est une application P qui associe à tout événement A un nombre P(A), appelé probabilité de A. P doit satisfaire les axiomes suivants : A1 : P(A) [0,1] A2: P(E) = 1 A3: Si (A i ) sont des événements incompatibles deux à deux, i.e. A i A j = si i j, alors P( Ai) = P( Ai) i= 1 Nous appelons espace probabilisé tout couple (E, P) ou E est un ensemble fondamental et P est une distribution de probabilité sur E. Là aussi, si on veut être plus précis, il faut ajouter la tribu A, donc un espace probabilisé est le triplet (E, A, P). Un événement de probabilité 1 est dit presque sûr (en abrégé p.s.). i= 1

6 II.3. Propriétés d une distribution de probabilité Dans la suite du cours nous allons adopter une approche axiomatique qui consiste à déduire des axiomes précédents les propriétés des distributions de probabilités. II.3.a. Propriétés élémentaires Donnons une liste de propriétés élémentaires d une distribution de probabilité. Théorème : Soient (E, P) un espace probabilisé et A, B, (A i ) des événements quelconques. P satisfait les propriétés suivantes : 1. 0 P(A) 1 2. P(E) = 1 3. P( ) = 0 4. Si A et B sont incompatibles, i.e. A B =, alors P(A B) = P(A) + P(B) 5. P(A c ) = 1 - P(A) 6. Si A entraîne B, i.e. A B, alors P(A) P(B) et P(B \ A) = P(B) - P(A) 7. P(A B) = P(A) + P(B) - P(A B), et par conséquent P(A B) P(A) + P(B) 8. Soit (A i ) i IN une suite d événements, alors P( Ai) P( Ai) (inégalité de Boole) i= 1 i= 1 9. Soit (A i ) i IN une suite croissante, i.e. A i A i+1, alors lim PA ( ) = P( A). i i i i= Soit (A i ) i IN, une suite décroissante i.e. A i A i+1, alors lim PA ( ) = P( A). i i i i= 1

7 II.3.b. Probabilités de réunions d ensembles : Règle d inclusion-exclusion La règle d inclusion-exclusion s applique à une suite (A i ) 1 i N d événements pour lesquels on connaît a priori les probabilités des conjonctions d événements. On peut ainsi calculer la probabilité de A = A 1 A 2... A N,i.e. la probabilité que «au moins l un des A i est réalisé». Théorème (Formule d inclusion-exclusion) : Soient (E, P) un espace probabilisé et (A i ) 1 i N une suite d événements. Alors, la formule d inclusion-exclusion s écrit : 1. dans le cas de deux événements 2. dans le cas de trois événements 3. dans le cas général P(A 1 A 2 ) = P(A 1 ) + P(A 2 ) - P(A 1 A 2 ) P(A 1 A 2 A 3 ) = P(A 1 ) + P(A 2 ) + P(A 3 ) - P(A 1 A 2 ) - P(A 1 A 3 ) - P(A 2 A 3 ) + P(A 1 A 2 A 3 ) N N P Ai = P( Ai) P( Ai ) ( )... 1 Ai 2 + P Ai 1 Ai 2 Ai 3 + i= 1 i= 1 i1< i2 i1< i2< i k+ 1 ( ) P( Ai A ) 1 i A 2 ik i1< i2<... < ik N + 1 ( 1 ) P( Ai Ai... Ai ) n Remarque : Dans la 1 ere somme il y a N termes, dans la 2 ème il y a N (N-1)/2 = C N 2 termes. En général il y a C N k termes dans la k ème somme.

8 Exemples : 1. On jette 3 dés honnêtes. Quelle est la probabilité d avoir au moins un 6? La formule d inclusion-exclusion permet de répondre à cette question mais n est pas la méthode la plus rapide. Soit A 1 l événement que le premier dé est un six, A 2 l événement que le deuxième dé est un six et A 3 l événement que le troisième dé est un six. Alors A = A 1 A 2 A 3 est l événement qu au moins l un des dés est un six. Nous appliquons la formule d inclusion-exclusion. D abord on calcule les probabilités des conjonctions d événements. On trouve P(A i ) = 1 / 6 pour i = 1,2,3 P(A i A j ) = 1 / 36 = P(A i ) P(A j ) si i j P(A 1 A 2 A 3 ) = 1 / 216 = P(A 1 ) P(A 2 ) P(A 3 ). Alors P(A) = 91 / 216. En fait, la méthode la plus rapide pour répondre à la question posée est de passer au complémentaire : L événement de n avoir aucun six lorsqu on jette trois dés est donné par A c = A 1 c A 2 c A 3 c (par la formule de de Morgan) et P(A c ) = P(A 1 c ) P(A 2 c ) P(A 3 c ). Avec P(A i c ) = 5 / 6 on obtient P(A c ) = 125 / 216 donc P(A) = 91 / Quelle est la probabilité pour qu une main de bridge ait au moins une coupe, i.e. une couleur absente? Dans cet exemple la règle inclusion-exclusion est la bonne méthode pour répondre à la question posée. Soit A i l'événement "la couleur i est absente" où i prend des valeurs dans {,,, }. L'événement "au moins une couleur est absente" est donné par la réunion des toutes les A i. On applique le principe d'inclusion-exclusion à la réunion A de quatre événements A i. Pour chaque i il y a C possibilités de choisir une main sans la couleur i. Quand il y a C mains possibles la probabilité de chaque A i est P(A i ) = C 13 39/C Pour chaque (i,j), i j il y a C possibilités de choisir une main sans les couleurs i et j. La probabilité de chaque intersection A i A j est alors P(A i A j ) = C 13 26/C

9 Pour chaque (i,j,k), i j, i k et j k, il y a C possibilités de choisir une main sans les couleurs i, j et k (i.e il y a seulement la quatrième couleur). La probabilité de chaque intersection A i A j A k est alors P(A i A j A k ) = C 13 13/C L'intersection de 4 événements A i a probabilité 0 (chaque main a toujours au moins une couleur). En appliquant la formule d inclusion-exclusion pour N = 4 on trouve P(A 1 A 2 A 3 A 4 ) = 4 P(A 1 ) - 6 P(A 1 A 2 ) + 4 P(A 1 A 2 A 3 ). La probabilité cherchée est donc / = Finalement nous présentons deux raisonnements faux mais souvent utilisés dans ce type de problème : a. Quand on n a plus la propriété que P(A c ) = P(A 1 c ) P(A 2 c ) P(A 3 c ) P(A 4 c ), on ne peut pas passer au complémentaire comme au problème précédent (les événements A i ne sont pas indépendants, voir Ch. II.5.). On passe par le complémentaire comme suit : A c est l événement qu il y a toutes les couleurs. Donc on choisit une carte de chaque couleur, ce qui donne 13 4 choix. Il reste C 9 48 choix possibles pour les neuf cartes restantes. Alors, P(A c ) = 13 4 C 9 48 /C = !!! b. On passe au calcul direct de P(A). On choisit d abord la couleur absente ( quatre choix) puis il reste C des mains possibles. Alors, P(A) = 4 C /C = / = Ce résultat ne coïncide pas avec le résultat obtenu par la formule d inclusion-exclusion. Pourquoi? 3. Le problème des rencontres ou des «matchings» - nombre de dérangements N hommes sont invités à une réception. Chacun donne son chapeau au vestiaire. Les chapeaux sont mélangés et à la fin de la réception chaque invité en choisit un au hasard. Quelle est la probabilité qu aucun des hommes ne choisisse son propre chapeau? Quelle est la probabilité que k des hommes exactement sélectionnent leur propre chapeau? Du point de vue mathématique ce problème est équivalent au tirage d une permutation aléatoire σ de l ensemble {1,2,,N}. Un point fixe d une permutation σ = {σ(1),σ(2),,σ(n)}est défini par la condition σ(i) = i. Une permutation sans point fixe, i.e. σ(i) i pour tout i {1,2,,N} est appelé dérangement. Exemple : Trois permutations de {1,2,3,4,5,6} un dérangement un point fixe trois points fixes

10 L ensemble fondamental E est l ensemble de toutes les permutations de {1,2,,N}, donc card E = N!. En faisant l hypothèse d équiprobabilité, la probabilité d un événement A est donné par P(A) = card A/card E. Pour la première partie on calcul la probabilité du complémentaire qu au moins un homme prenne son propre chapeau. Appelons A i l événement que le i-ème homme choisit son propre chapeau (i.e. σ(i) = i). Donc A 1 A 2... A N est l événement qu au moins un homme choisisse son propre chapeau. Evidemment P(A i ) = 1/N. La probabilité que deux hommes, par exemple 1 et 2, choisisse leur propre chapeau est P(A 1 A 2 ) = (N - 2)!/N! car il y a (N - 2)! permutations pour les autres (N - 2) chapeaux. En généralisant cet argument on trouve que la probabilité de l intersection de k événements, par exemple A 1 A 2... A k, est donnée par P(A 1 A 2... A k ) = (N - k)!/n! Il y a C N k termes dans la k ème somme de la formule d inclusion-exclusion correspondants aux C N k combinaisons possible de k indices. Donc P(A 1 A 2... A N ) = C N 1 P(A i ) - C N 2 P(A 1 A 2 ) + +(-1) k+1 C N k P(A 1 A 2... A k ) + + (-1) N+1 C N N P(A 1 A 2... A N ), i.e. P(A 1 A 2... A N ) = 1 1/2! + +(-1) k+1 /k! + +(-1) N+1 /N! On désigne par P N (k) la probabilité que k des hommes exactement sélectionnent leur propre chapeau. On a démontré que N j 1 PN (0) = ( 1). j! j= 0 Il y a C N k possibilités que k des hommes exactement sélectionnent leur propre chapeau. Alors pour les autres (N - k) hommes il y a (N - k)! P N-k (0) possibilités qu aucun de ces hommes ne choisisse son propre chapeau. Par conséquent P N (k) = P N-k (0)/k!, i.e. N k j 1 PN ( k) = ( 1). jk!! j= 0 Notons que P N (0) exp(-1) = e -1 lorsque N (c est la série exponentielle pour x = -1). Plus général pour chaque k fixe P N (k) exp(-1)/k! En conclusion, nous avons démontré un théorème limite (voir Ch. V) pour la distribution de matchings: La distribution donnée par les P N (k) converge vers la distribution de Poisson de paramètre 1.

11 Le chapitre suivant va traiter une conséquence important du modèle probabiliste pour étudier les lois des grands nombres. Il demande une bonne compréhension mathématique du modèle probabiliste. On le discute au Ch. V. seulement. II.3.c. * Suites infinies d événements et lemme de Borel-Cantelli Des suites infinies d événements jouent un rôle essentiel dans l étude des théorèmes limites comme la loi des grands nombres. Limites de suites d événements Soient (E, P) un espace probabilisé et (A i ) i IN, ou bref (A i ), une suite infinie d événements. L événement A i i est l événement «au moins un des A i est réalisé». De même, A i i est l événement «tous les A i sont réalisés». Pour une suite croissante, i.e. A i A i+1 pour tout i, la réunion A i i est appelée limite de la suite et on écrit A i = lim A i i i. De même, si la suite est décroissante, i.e. A i A i+1 pour tout i, la conjonction de tous les A i, A i i est également appelée limite de la suite et on écrit i = lim A i i. i A Limites inférieures et supérieures Pour une suite (A i ) d événements quelconques on peut toujours définir la limite inférieure et la limite supérieure. Définition : La limite inférieure de la suite (A i ), noté A * = lim inf i A i, est l ensemble de tous les éléments de E, qui appartient à tous les A i sauf à un nombre fini d entre eux. La limite supérieure de la suite (A i ), noté A * = lim sup i A i, est l ensemble de tous les éléments de E, qui appartient un nombre infini des A i. A * est donc l événement que tous les A i sauf un nombre fini d entre eux sont réalisés et A * est l événement qu une infinité des A i est réalisés. Evidemment, A * A *. Lemme de Borel-Cantelli Soit (A n ) n 1 une suite d événements et posons A * = lim sup n A n. Si n=1.. P(A n ) <, alors P(A * ) = 0. Autrement dit avec une probabilité égale à 1, au plus un nombre fini d événements A n se réalisent.

12 II.4. Evénements indépendants II.4.a. Indépendance de deux événements Nous allons introduire la notion d indépendance. Commençons par deux exemples où l intuition de la notion d indépendance est évidente. Exemples : 1. On jette 2 pièces honnêtes. Soient A = «la première donne pile» et B = «la seconde donne pile». A et B sont indépendants. 2. On tire 2 cartes. Soient A = «la première donne pique» et B = «la seconde donne pique». Si on tire sans remise A et B ne sont pas indépendants, si on tire avec remise A et B sont indépendants. Passons à la définition formelle. Définition : Soient (E, P) un espace probabilisé et A, B des événements. A et B sont indépendants si et seulement si : P(A B) = P(A)P(B) Il est très facile de vérifier que cette définition est compatible avec l intuition donnée dans les exemples précédents. Passons des exemples moins intuitifs. Exemple 3 : Une famille a n enfants où n 2. Nous étudions les événements A = «la famille a des enfants des deux sexes» et B = «la famille a au plus une fille». A et B sont deux événements indépendants si et seulement si n = 3! En effet, en faisant l hypothèse d équiprobabilité, on trouve P(A B) = n/2 n, P(A) = 1-2/2 n et P(B) = (n + 1)/2 n. Exemple 4 : On jette deux dés. Considérons les événements A = «la somme est 7», B = «le premier dé donne 4» et C = «la différence est paire». Ici l ensemble fondamental est bien entendu E = {(k 1, k 2 ) : k j {1,2,3,4,5,6} pour j = 1,2} = {1,2,3,4,5,6} 2. Les événements A, B et C sont les sous-ensembles de E donnés par A = {(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)}, B = {(4,6), (4,5), (4,4), (4,3), (4,2), (4,1)} et C = {(1,1), (1,3), (1,5), (2,2), (2,4), (2,6),, (6,2), (6,4), (6,6) }. Ainsi card(a) = 6, card(b) = 6 et card(c) = 18. En faisant l hypothèse d équiprobabilité, on calcule aisément P(A) = 1/6, P(B) = 1/6, P(C) = 1/2, P(A B) = 1/36, P(A C) = 0 et P(B C) = 1/12. A et B sont indépendants, A et C sont dépendants et B et C sont indépendants. On voit que la relation d indépendance n est pas transitive (A et B sont indépendants, B et C sont indépendants, mais A et C ne sont pas indépendants).

13 II.4.b. Indépendance de plusieurs événements On prolonge la notion d indépendance de deux événements au cas des suites d événements. Soit (A i ) 1 i N une suite d événements. Définition 1: On dit que les événements (A i ) 1 i N sont indépendants deux à deux si et seulement si, pour tout (i, j) et i j, A i et A j sont indépendants. L exemple suivant montre que cette définition est trop faible pour prolonger la notion d indépendance aux suites d événements. Exemple 1: Considérons les anniversaires des trois personnes et les événements A = «1 et 2 ont le même anniversaire», B = «1 et 3 ont le même anniversaire» et C = «2 et 3 ont le même anniversaire». Evidemment P(A) = P(B) = P(C) = 1/365 et P(A B) = P(A C) = P(B C) = 1/365 1/365. Donc A, B, et C sont indépendants deux à deux. Par contre, si deux événements sont réalisés, par exemple A et B, le troisième événement C est sûrement réalisé, car les trois personnes ont toutes le même anniversaire. Par conséquent C n est pas indépendant de la conjonction de A et B, i.e. P((A B) C) = 1 / / 365 P(A B) P(C) = P(A) P(B) P(C) = 1 / / / 365. Pour prolonger notre notion d indépendance aux cas de trois événements on devra imposer une condition supplémentaire non comprise dans la définition de l indépendance deux à deux, à savoir : P(A 1 A 2 A 3 ) = P(A 1 ) P(A 2 ) P(A 3 ). Pour une suite de N événements on a la définition suivante. Définition 2 : On dit que les événements (A i ) 1 i N sont indépendants (ou mutuellement indépendants) si et seulement si pour toute sous-suite d événements distincts, on a : PA ( A... A ) = PA ( ) PA ( )... PA ( ) i1 i2 ik i1 i2 ik On a déjà vu que N (N > 2) événements peuvent être indépendants deux à deux sans être indépendants mutuellement. Si N événements sont mutuellement indépendants ils sont indépendants deux à deux. Remarque : Le nombre de conditions imposées dans la définition 2 est égal à : C N 2 + C N C N N = 2 N C N 1 C N 0 = 2 N N 1.

14 Proposition : Soit (A i ) 1 i N une suite d événements mutuellement indépendants. 1. Pour chaque i, 1 i N, posons B i = A i ou B i = A i c. Alors (B i ) 1 i N est une suite d événements mutuellement indépendants. 2. Toute sous-famille de (A i ) 1 i N est constituée des événements mutuellement indépendants. II.4.c. Probabilité de réunions d événements indépendants Soit (A i ) 1 i N une suite d événements mutuellement indépendants. Il y a une formule simple pour calculer la probabilité de A 1 A 2... A N. Proposition : Soit (A i ) 1 i N une suite d événements mutuellement indépendants. Alors P(A 1 A 2... A N ) = 1 [1 - P(A 1 )] [1 - P(A 2 )] [1 - P(A N )] Preuve: On passe au complémentaire de A 1 A 2... A N et on applique la règle de de Morgan ( A i ) c = A i c. Par la proposition du Ch. II.4.b. les événements A i c sont mutuellement indépendants. Donc P(A 1 A 2... A N ) = 1 P((A 1 A 2... A N ) c ) = 1 P(A 1 c A 2 c... A N c ) = P(A 1 c ) P(A 2 c ) P(A N c ). Exemple 1: On suppose que une personne est soumise N fois à un risque p d accident où 0 < p < 1. Quelle est la probabilité d avoir au moins un accident? Pour répondre à cette question on pose A i = «la i ème expérience provoque un accident» et on suppose que les A i sont mutuellement indépendants. Avec p = P(A i ) on a P(«au moins un accident») = P(A 1 A 2... A N ) = 1 (1 p) N. Si N et p est fixe cette probabilité tend vers 1. Si N et p 0 où p est de l ordre 1/N, i.e. p = λ/n pour un λ fixe, alors P(«au moins un accident») 1 exp(-λ). Donc la probabilité qu il n arrive aucun accident est environ P(«pas d accident») exp(-λ) si N est très grand.

15 II.5. Probabilités conditionnelles Dans de nombreuses applications les probabilités conditionnelles ou le conditionnement constituent un outil précieux pour calculer des probabilités inconnues à partir de probabilités données. II.5.a. Définition Définition : Soient (E, P) un espace probabilisé et A, B des événements quelconques tel que P(B) > 0. On note P(A B) = P(A B) / P(B) la probabilité de A conditionnellement à B ou la probabilité de A sachant B. Les formules suivantes sont souvent très utiles pour calculer des probabilités d intersections : Cette technique est appelée conditionnement. P(A B) = P(A B) P(B) P(A B) = P(B A) P(A) La généralisation de ces formules au cas des plusieurs événements est considérée dans le Ch. II.5.b. (théorème de multiplication ou conditionnement multiple) Des probabilités conditionnelles ont des propriétés suivantes : 1. Pour tout événement B fixe tel que P(B) > 0 la fonction d ensembles A P(A B) satisfait les axiomes A1 A3, i.e. P(A B) est une distribution de probabilité sur E. 2. Si A et B sont des événements indépendants et P(B) > 0, alors P(A B) = P(A). Exemple 1: On jette deux dés. Considérons les événements A = «la somme est 5», B = «le premier dé donne 3» et C = «le premier dé donne au moins 3». Calculer P(A B) et P(A C). On a P(A) = 4/36 = 1/9, P(B) = 1/6, P(A B) = P({3,2}) = 1/36, donc P(A B) = 1/6. La probabilité conditionnelle de A sachant que B est réalisé a augmenté : P(A B) > P(A). Avec P(A) = 4/36 = 1/9, P(C) = 4/6 = 2/3, P(A C) = P({3,2},{4,1}) = 2/36 = 1/18 on trouve P(A C) = 1/12. La probabilité conditionnelle de A sachant que C est réalisé a diminué : P(A C) < P(A).

16 II.5.b. Conditionnement multiple Nous avons déjà vu que la probabilité de la conjonction des deux événements peut être calculée par le conditionnement sur un des événements. L itération de cette technique est appelée conditionnement multiple. Théorème (théorème ou conditionnement multiple) : Soient (E, P) un espace probabilisé et (A i ) 1 i N une suite d événements. Alors, la formule du conditionnement multiple s écrit: 1. dans le cas de deux événements 2. dans le cas de trois événements 3. dans le cas général P(A 1 A 2 ) = P(A 1 ) P(A 2 A 1 ) P(A 1 A 2 A 3 ) = P(A 1 ) P(A 2 A 1 ) P(A 3 A 1 A 2 ) P(A 1 A 2... A N ) = P(A 1 ) P(A 2 A 1 ) P(A N A 1 A 2... A N-1 ) si tous les événements A 1... A k,1 k N 1, sont de probabilité non nulle. Exemple 1: Considérons une urne contenant six boules blanches et quatre boules rouges. Quelle est la probabilité de la suite «blanc, blanc, rouge» si on tire les boules sans remise? Pour répondre à cette question nous désignons les événements B 1 = «la première boule est blanche», B 2 = «la deuxième boule est blanche» et B 3 = «la troisième boule est rouge». Alors P(B 1 B 2 B 3 ) = P(B 1 ) P(B 2 B 1 ) P(B 3 B 1 B 2 ) = 4/10 3/9 6/8 = 1/10. Remarquons qu il faut conditionner dans le bon ordre. Par exemple, la formule P(B 1 B 2 B 3 ) = P(B 3 ) P(B 2 B 3 ) P(B 1 B 2 B 3 ) est juste mais inutilisable.

17 II.5.c. Formule des probabilités totales Soient (E, P) un espace probabilisé et A, B des événements quelconques. Les événements B et B c forment un système complet d événements et P(A) = P(A B) + P(A B c ) Si B et B c sont de probabilité non nulle on peut utiliser des probabilités conditionnelles pour calculer les probabilités d intersections. Donc P(A) = P(A B) P(B) + P(A B c ) P(B c ). Cette formule se généralise au cas d un système complet d événement Théorème (formule des probabilités totales) : Soient (E, P) un espace probabilisé et (B i ) 1 i N un système complet d événements, tous de probabilité non nulle. Alors, pour tout événement A, on a: P(A) = P(A B 1 ) P(B 1 ) + P(A B 2 ) P(B 2 ) + + P(A B N ) P(B N ). Exemple 1: On dispose de deux pièces. L une est honnête, l autre a deux piles. On choisit une pièce au hasard et on la lance trois fois. Quelle est la probabilité d obtenir trois piles? Pour résoudre ce problème on conditionne par la pièce choisie, i.e. on applique la formule des probabilités totales pour les événements A = «on tire trois piles», B 1 = «la pièce est honnête» et B 2 = «la pièce a deux piles». On a P(A) = P(A B 1 ) P(B 1 ) + P(A B 2 ) P(B 2 ) = 1/8 1/ /2 = 9/16.

18 II.5.d. Formule de Bayes On continue la discussion de l exemple précédent. Maintenant on pose la question inverse. Exemple 1: On dispose de deux pièces. L une est honnête, l autre a deux piles. On choisit une pièce au hasard et on la lance trois fois. Quelle est la probabilité que la pièce choisie est la pièce honnête si on a tiré trois piles? Nous cherchons la probabilité P(B 1 A). En utilisant la définition des probabilités conditionnelles deux fois on obtient Donc P(B 1 A) = 1/8 1/2 : 9/16 = 1/9. P(B 1 A) = P(A B 1 ) / P(A) = P(A B 1 ) P(B 1 ) / P(A) = P(A B 1 ) P(B 1 ) / [P(A B 1 ) P(B 1 ) + P(A B 2 ) P(B 2 )]. Théorème (formule de Bayes) : Soient (E, P) un espace probabilisé et (B i ) 1 i N un système complet d événements, tous de probabilité non nulle. Alors, pour tout événement A de probabilité non nulle, on a, pour tout k, 1 k N : P(B k A) = P(A B k ) P(B k ) / [P(A B 1 ) P(B 1 ) + P(A B 2 ) P(B 2 ) + + P(A B N ) P(B N )]. II.5.e. Exemples 1. Exemple élémentaire Une famille a deux enfants. a. On sait que l aîné est un garçon. Quelle est la probabilité que le second soit un garçon? Soit A 1 l événement que l aîné est un garçon, A 2 l événement que le second est un garçon. Sous des hypothèses convenables A 1 et A 2 sont indépendants. Alors P(A 2 ) = ½. b. On sait qu un des enfants est un garçon. Quelle est la probabilité que l autre soit un garçon? On sait que A 1 A 2, i.e. A 1 ou A 2, est réalisé. On veut donc calculer la probabilité de A 1 A 2 sachant A 1 A 2. Alors P(A 1 A 2 A 1 A 2 ) = P(A 1 A 2 ) : P(A 1 A 2 ) = ¼ : ¾ = 1/3.

19 2. Problème de tests Pour dépister une maladie, on applique un test. Si le patient est effectivement atteint, le test donne un résultat positif dans 96% des cas. Mais il se peut aussi que le résultat du test soit positif alors que le patient est en bonne santé, et ceci se produit dans 2% des cas. Sachant qu'en moyenne 0.05% des patients sont atteints de la maladie à dépister, calculer la probabilité pour qu'un patient soit atteint sachant que son test a été positif. Soit A l'événement: "le test est positif", B l'événement: "le patient est en bonne santé" et M = B C l'événement: "le patient est atteint de la maladie". Remarquons que: et P(A M) = 0.96 P(A B) = P(M) = Par la formule de Bayes P(M A) = P(A M)P(M)/ [P(A M)P(M) + P(A B)P(B)] = /[ ] = Il est intéressant de constater que seul 2.3% des patients testés positifs sont effectivement malades. Pourtant le test semble avoir des caractéristiques techniques raisonnables. Comment comprendre un chiffre si bas? 3. Loi de succession de Laplace On dispose de N + 1 urnes numérotées de 0 à N. L urne numérotée «k» contient k boules blanches et N k boules rouges. On choisit une urne au hasard de façon équiprobable, puis on tire n boules avec remise dans cette urne. a. Quelle est la probabilité que les n boules tirées soient blanches? b. Quelle est la probabilité que le (n+1)-ième tirage donne encore une boule blanche sachant que les n premières boules tirées sont blanches? On désigne les événements B i = «l urne choisie a le numéro i» pour tout i = 0 N et A n = «les premières n boules tirées sont blanches». Evidemment (B i ) 0 i N est un système complet d événements et P(B i ) = 1 / N+1. On connaît également les probabilités conditionnelles P(A n B i ) = (i/n) n. Par la formule des probabilités totales on a P(A n ) = P(A n B 0 ) P(B 0 ) + P(A n B 1 ) P(B 1 ) + + P(A n B N ) P(B N ) = Σ i=0,...,n (i/n) n /(N+1). P(A n ) est donc une somme de Riemann. Ainsi P(A n ) converge vers l intégrale [0,1] x n dx. lorsque N, i.e. P(A n ) 1 / n+1.

20 Pour le deuxième problème il faut calculer les probabilités conditionnelles P(A n+1 A n ). La suite d événements (A n ) est décroissante, i.e. A n A n+1 pour tout n, alors P(A n+1 A n ) = P(A n+1 ) / P(A n ) n+1 / n+2 lorsque N. 4. Monty Hall Pendant un concours à la télévision, le présentateur cache un prix (une voiture) derrière une porte (il y a 3 portes : A, B et C). Il invite un concurrent à se présenter et à choisir l'une des trois portes, sans l'ouvrir. Il ouvre ensuite l'une des deux portes qui n'ont pas été choisies par le concurrent, en sachant que la voiture ne se trouve pas derrière ; il offre alors au concurrent la possibilité de remplacer la porte qu'il avait choisie par l'autre qui reste fermée. Quelle est le meilleur choix pour le concurrent: est-ce que la probabilité de gagner en changeant de porte est plus grande que la probabilité de gagner sans changer de porte? L'espace fondamental de cette expérience est Ω = {(X V, X C, X P )}, où X V = A,B ou C, X C = A,B ou C et X P = A,B ou C. Ici, X V représente la porte où se trouve la voiture, X C la porte choisie par le concurrent et X P la porte ouverte par le présentateur. Pour répondre à la question "est-ce que la probabilité de gagner en changeant de porte est plus grande que la probabilité de gagner sans changer de porte?" il faut calculer la probabilité pour que le concurrent ait choisi une porte ne cachant pas la voiture, conditionnellement à l'événement "la voiture ne se trouve pas dans la porte choisie par le présentateur" c'est à dire: Mais P({X V X P }) = 1, donc: P({X V X C } {X V X P }) P({X V X C } {X V X P }) = P({X V X C }) = 6 / 9 = 2 / 3. La probabilité pour que le concurrent gagne en changeant de porte vaut donc 2 / 3, tandis que sa probabilité de gagner sans changer de porte n'est que de 1 / 3. Son meilleur choix est de changer de porte!

UNIVERSITÉ DE CERGY Année 2013-2014 U.F.R. Économie & Gestion Licence d Économie et Finance / Licence de Gestion MATH201 : Probabilités

UNIVERSITÉ DE CERGY Année 2013-2014 U.F.R. Économie & Gestion Licence d Économie et Finance / Licence de Gestion MATH201 : Probabilités 1 UNIVERSITÉ DE CERGY Année 2013-2014 U.F.R. Économie & Gestion Licence d Économie et Finance / Licence de Gestion MATH201 : Probabilités Chapitre II : Espaces probabilisés 1 Notions d événements 1.1 Expérience

Plus en détail

Probabilités et statistique

Probabilités et statistique Probabilités et statistique Université Paris 1 Panthéon-Sorbonne Cours de deuxième année de licence de sciences économiques Fabrice Rossi Cette œuvre est mise à disposition selon les termes de la licence

Plus en détail

Probabilité mathématique et distributions théoriques

Probabilité mathématique et distributions théoriques Probabilité mathématique et distributions théoriques 3 3.1 Notion de probabilité 3.1.1 classique de la probabilité s Une expérience ou une épreuve est dite aléatoire lorsqu on ne peut en prévoir exactement

Plus en détail

Probabilité conditionnelle. Probabilités. Probabilité conditionnelle et indépendance. Julian Tugaut

Probabilité conditionnelle. Probabilités. Probabilité conditionnelle et indépendance. Julian Tugaut Probabilité conditionnelle et indépendance Télécom Saint-Étienne 2014 Sommaire 1 Probabilité conditionnelle Notion de probabilité conditionnelle Définition et premières propriétés Théorème de Bayes (ou

Plus en détail

Construction de la mesure de Lebesgue. 1 Mesure positive engendrée par une mesure extérieure.

Construction de la mesure de Lebesgue. 1 Mesure positive engendrée par une mesure extérieure. Université d Artois Faculté des Sciences Jean Perrin Analyse Fonctionnelle (Licence 3 Mathématiques-Informatique Daniel Li Construction de la mesure de Lebesgue 28 janvier 2008 Dans ce chapitre, nous allons

Plus en détail

Probabilités conditionnelles

Probabilités conditionnelles 22 Probabilités conditionnelles Ω, B, P est un espace probabilisé. 22. Définition et propriétés des probabilités conditionnelles Considérons l expérience aléatoire qui consiste à lancer deux fois un dé

Plus en détail

Fiche méthodologique Les pièges dans les dénombrements

Fiche méthodologique Les pièges dans les dénombrements Fiche méthodologique Les pièges dans les dénombrements BCPST Lycée Hoche $\ CC BY: Pelletier Sylvain Dans cette fiche, on résume quelques points techniques sur les dénombrements et la théorie des probabilités.

Plus en détail

Terminologie. La théorie des probabilités fournit des modèles mathématiques permettant l'étude des expériences aléatoires.

Terminologie. La théorie des probabilités fournit des modèles mathématiques permettant l'étude des expériences aléatoires. Probabilités Terminologie Une expérience ou une épreuve est qualiée d'aléatoire si on ne peut pas prévoir son résultat et si, répétée dans des conditions identiques, elle peut donner des résultats diérents.

Plus en détail

Probabilités et Statistiques. Raphaël KRIKORIAN Université Paris 6

Probabilités et Statistiques. Raphaël KRIKORIAN Université Paris 6 Probabilités et Statistiques Raphaël KRIKORIAN Université Paris 6 Année 2005-2006 2 Table des matières 1 Rappels de théorie des ensembles 5 1.1 Opérations sur les ensembles................... 5 1.2 Applications

Plus en détail

b) Exprimer B à l aide des événements A n et en déduire la probabilité de B Exercice 1.4. Inégalité de Bonferroni.

b) Exprimer B à l aide des événements A n et en déduire la probabilité de B Exercice 1.4. Inégalité de Bonferroni. MP 205/6 Feuille d exercices - Probabilités généralités). Univers, généralités Exercice.. Langage des probabilités. Soit Ω, A) un espace probabilisable. Soit A n ) n N une famille d événements et A, B,

Plus en détail

PROBABILITÉS Variable aléatoire

PROBABILITÉS Variable aléatoire PROBABILITÉS Variable aléatoire I Langage des événements Lors d'un oral de mathématiques, quatre questions sont proposées : une question de probabilités (P) ; une question de statistiques (S) ; une question

Plus en détail

Espaces de probabilités.

Espaces de probabilités. Université Pierre et Marie Curie 2010-2011 Probabilités et statistiques - LM345 Feuille 2 Espaces de probabilités. 1. Donner un exemple d'une famille de parties d'un ensemble qui ne soit pas une tribu.

Plus en détail

I. Qu est-ce qu une probabilité?

I. Qu est-ce qu une probabilité? I. Qu est-ce qu une probabilité? 1. Première approche : Une probabilité en mathématique est un chiffre compris entre 0 et 1. Ce chiffre représente une évaluation du caractère probable d un événement. Si

Plus en détail

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Dénombrement et probabilités Version du juillet 05 Enoncés Exercice - YouTube Sur YouTube, les vidéos sont identifiées à l aide d une chaîne

Plus en détail

TOPOLOGIE DE LA DROITE REELLE

TOPOLOGIE DE LA DROITE REELLE TOPOLOGIE DE LA DROITE REELLE P. Pansu 16 mai 2005 1 Qu est-ce que la topologie? C est l étude des propriétés des objets qui sont conservées par déformation continue. Belle phrase, mais qui nécessite d

Plus en détail

Initiation aux probabilités.

Initiation aux probabilités. Initiation aux probabilités. On place dans une boite trois boules identiques à l exception de leur couleur : une boule est noire, une est blanche, la troisième est grise. On tire une des boules sans regarder,

Plus en détail

1. Probabilités élémentaires

1. Probabilités élémentaires 1. Probabilités élémentaires MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: probabilités 1/48 Plan 1. Expériences aléatoires et événements 2. Probabilités 3. Analyse combinatoire

Plus en détail

Intégrale de Lebesgue

Intégrale de Lebesgue Intégrale de Lebesgue ÉCOLE POLYTECHNIQUE Cours 4 : intégrale de Lebesgue Bertrand Rémy 1 / 50 1. Motivations et points de vue ÉCOLE POLYTECHNIQUE Cours 4 : intégrale de Lebesgue Bertrand Rémy 2 / 50 Deux

Plus en détail

Feuille d exercices 1

Feuille d exercices 1 Université Paris 7 - Denis Diderot L2 - Probabilités PS4 Année 2014-2015 Feuille d exercices 1 Exercice 1 Combien y a-t-il de paires d entiers non consécutifs compris entre 1 et n (n 1)? Exercice 2 1.

Plus en détail

1) On appelle expérience aléatoire tout phénomène qui a plusieurs résultats possibles, la réalisation de chacun étant due au hasard.

1) On appelle expérience aléatoire tout phénomène qui a plusieurs résultats possibles, la réalisation de chacun étant due au hasard. PROBABILITÉS 1 1 Définitions 1) On appelle expérience aléatoire tout phénomène qui a plusieurs résultats possibles, la réalisation de chacun étant due au hasard. exemple : L'expérience qui consiste à lancer

Plus en détail

Exercices supplémentaires

Exercices supplémentaires Exercices supplémentaires Christophe Lalanne Emmanuel Chemla Exercices Exercice 1 Un grand magasin a n portes d entrée ; r personnes arrivent à des instants divers et choisissent au hasard une entrée indépendamment

Plus en détail

Cours de DEUG Probabilités et Statistiques. Avner Bar-Hen

Cours de DEUG Probabilités et Statistiques. Avner Bar-Hen Cours de DEUG Probabilités et Statistiques Avner Bar-Hen Université Aix-Marseille III 3 Table des matières Table des matières i Analyse combinatoire 1 1 Arrangements................................ 1 1.1

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

COURS DE DENOMBREMENT

COURS DE DENOMBREMENT COURS DE DENOMBREMENT 1/ Définition des objets : introduction Guesmi.B Dénombrer, c est compter des objets. Ces objets sont créés à partir d un ensemble E, formé d éléments. A partir des éléments de cet

Plus en détail

Intégration de polynômes Points de Gauss

Intégration de polynômes Points de Gauss Intégration de polynômes Points de Gauss Commençons par un exercice classique de premier cycle. Problème 1 Trouver trois réels α, β et γ tels que, pour tout polynôme P de degré au plus 2, on ait : ( )

Plus en détail

IV. Espaces L p. + tx 1. (1 t)x 0

IV. Espaces L p. + tx 1. (1 t)x 0 cours 13, le lundi 7 mars 2011 IV. spaces L p IV.1. Convexité Quand deux points x 0, x 1 R sont donnés, on peut parcourir le segment [x 0, x 1 ] qui les joint en posant pour tout t [0, 1] x t = (1 t)x

Plus en détail

Mesures et analyses statistiques de données - Probabilités. Novembre 2012 - Contrôle Continu, Semestre 1 CORRECTION

Mesures et analyses statistiques de données - Probabilités. Novembre 2012 - Contrôle Continu, Semestre 1 CORRECTION MASTER 1 GSI- Mentions ACCIE et RIM La Citadelle - ULCO Mesures et analyses statistiques de données - Probabilités Novembre 2012 - Contrôle Continu, Semestre 1 CORRECTION Exercice 1 Partie I 12pts 1 Étude

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

Calculs de probabilités conditionelles

Calculs 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 détail

2 Probabilités conditionnelles. Événements indépendants

2 Probabilités conditionnelles. Événements indépendants 2 Probabilités conditionnelles. Événements indépendants 2.1 Probabilité conditionnelle Soient A et B deux événements tels que P(B) > 0. Soit alors P(A B), la probabilité que A se réalise, B étant réalisé.

Plus en détail

MT18 A 2012 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale

MT18 A 2012 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale MT8 A 0 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale. Fonction de répartition.. Variable aléatoire à valeurs réelles Définition : Soit un ensemble fondamental

Plus en détail

Exercices chapitre 8. Probabilités.

Exercices chapitre 8. Probabilités. Lycée Descartes PC 2014-15 M. Besbes Exercices chapitre 8. Probabilités. Exercice 1. Soit (Ω, B, P ) un espace probabilisé. Montrer que l ensemble : A = {A B; P (A) = 0 ou P (A) = 1} est une tribu. Exercice

Plus en détail

E G = Définition : La probabilité d'un événement E peut être définie intuitivement par la formule suivante :

E G = Définition : La probabilité d'un événement E peut être définie intuitivement par la formule suivante : 8.1 Notations Notations: : vénement : vénement contraire à : ou (ou les deux), correspond à l union : et, correspond à l intersection U : L univers contient tous les événements possibles xercice 1 : Je

Plus en détail

Les espaces vectoriels

Les espaces vectoriels Agrégation interne UFR MATHÉMATIQUES 1. Généralités Les espaces vectoriels Dans tout le chapitre, K représente un corps commutatif. 1.1. Notion d espace vectoriel On considère un ensemble E sur lequel

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

Espérances et variances

Espérances et variances [http://mp.cpgedupuydelome.fr] édité le 29 décembre 201 Enoncés 1 Espérances et variances Exercice 1 [ 04018 ] [Correction] Soit X une variable aléatoire discrète à valeurs dans [a ; b]. a Montrer que

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Mathématiques et Philosophie en classe de seconde

Mathématiques et Philosophie en classe de seconde Mathématiques et Philosophie en classe de seconde Intervention du Professeur de mathématiques. Effectif de la classe : 34 élèves. Intervention : quinze heures en alternance avec le cours de Philosophie.

Plus en détail

Éléments de logique et de théorie des ensembles

Éléments de logique et de théorie des ensembles 1 Éléments de logique et de théorie des ensembles Pour les exemples et exercices traités dans ce chapitre les ensembles usuels de nombres entiers, rationnels réels et complexes sont supposés connus, au

Plus en détail

Université de Pau et des Pays de l Adour Département de Mathématiques Année 2006-2007. Introduction aux probabilités

Université de Pau et des Pays de l Adour Département de Mathématiques Année 2006-2007. Introduction aux probabilités Université de Pau et des Pays de l Adour Département de Mathématiques Année 2006-2007 Introduction aux probabilités Série n 3 Exercice 1 Une urne contient neuf boules. Quatre de ces boules portent le numéro

Plus en détail

Feuille 1. L3 Maths Appliquées lagache@biologie.ens.fr 27 Janvier 2009. A le chambre des députés d un pays composé de 100 départements, chaque

Feuille 1. L3 Maths Appliquées lagache@biologie.ens.fr 27 Janvier 2009. A le chambre des députés d un pays composé de 100 départements, chaque Feuille 1 L3 Maths Appliquées lagache@biologie.ens.fr 27 Janvier 2009 1 Combinatoire 1.1 Exercice 1 A le chambre des députés d un pays composé de 100 départements, chaque département est représenté par

Plus en détail

Exercices corrigés de probabilités et statistique

Exercices corrigés de probabilités et statistique Exercices corrigés de probabilités et statistique Université Paris 1 Panthéon-Sorbonne Cours de deuxième année de licence de sciences économiques Fabrice Rossi & Fabrice Le Lec Cette œuvre est mise à disposition

Plus en détail

Cours d Analyse Réelle 4M003

Cours d Analyse Réelle 4M003 Cours d Analyse Réelle 4M003 Jean SAINT RAYMOND Université Pierre et Marie Curie Avant-propos Ce texte a été rédigé pour servir de support écrit à un cours de Master 1 de l Université Pierre-et-Marie Curie.

Plus en détail

Feuille d exercice n 22 : Probabilités

Feuille d exercice n 22 : Probabilités Lycée La Martinière Monplaisir Année 2015/2016 MPSI - Mathématiques Second Semestre Feuille d exercice n 22 : Probabilités Exercice 1 On se donne N N. Deux joueurs lancent tour à tour un dé. Le premier

Plus en détail

Test de sélection du 4 juin 2013

Test de sélection du 4 juin 2013 Test de sélection du 4 juin 2013 Vous étiez 270 candidat-e-s à ce test de sélection, et 62 d entre vous (23%) participeront au stage olympique de Montpellier, du 19 au 29 août 2013, dont 12 filles : la

Plus en détail

Correction des exemples. Mathieu EMILY

Correction des exemples. Mathieu EMILY Correction des exemples Mathieu EMILY Novembre 2005 Table des Matières Exemple_Exercice 1 Page 2 Exemple_Exercice 2 Page 3 Exemple_Exercice 3 Page 5 Exemple_Exercice 4 Page 6 Exemple_Exercice 5 Page 7

Plus en détail

Theme 4 - Lois usuelles discrètes

Theme 4 - Lois usuelles discrètes L2 AES TD de statistique 2008/2009 Cours de Mme Mériot M.-A. Jambu & S.Turolla Theme 4 - Lois usuelles discrètes Exercice 1 (Loi binomiale) A et B sont deux avions ayant respectivement 4 et 2 moteurs.

Plus en détail

Chapitre 2. Applications mesurables. 2.1 Topologie et tribus boréliennes de R et R +

Chapitre 2. Applications mesurables. 2.1 Topologie et tribus boréliennes de R et R + Chapitre 2 Applications mesurables 2.1 Topologie et tribus boréliennes de R et R + Dans la théorie de l intégration de Lebesgue, il est très commode de travailler avec des fonctions à valeurs dans la droite

Plus en détail

Statistiques. IUT Biotechnologie 2ème année. Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008

Statistiques. IUT Biotechnologie 2ème année. Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008 Statistiques IUT Biotechnologie 2ème année Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008 version du 04 octobre 2008 Table des matières 1 Lois de probabilité usuelles 1 1.1 Dénombrement................................

Plus en détail

Au menu. Cours 7: Classes Probabilistes. Application : Calcul de la médiane. Sous menu. Retours sur quelques algorithmes.

Au menu. Cours 7: Classes Probabilistes. Application : Calcul de la médiane. Sous menu. Retours sur quelques algorithmes. Au menu Cours 7: Classes Probabilistes Olivier Bournez bournez@lix.polytechnique.fr LIX, Ecole Polytechnique Retours sur quelques algorithmes Quelques résultats INF561 Algorithmes et Complexité 1 2 Sous

Plus en détail

Espace de probabilité, indépendance et probabilité conditionnelle

Espace de probabilité, indépendance et probabilité conditionnelle Chapter 2 Espace de probabilité, indépendance et probabilité conditionnelle Sommaire 2.1 Tribu et événements........................................... 15 2.2 Probabilité................................................

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

Cours Statistiques L2 Université Nice Sophia-Antipolis. François Delarue

Cours Statistiques L2 Université Nice Sophia-Antipolis. François Delarue Cours Statistiques L2 Université Nice Sophia-Antipolis François Delarue Table des matières Chapitre 1. Rappels de Probabilités 5 1. Espaces de probabilité et Variables aléatoires 5 2. Espérances et variances

Plus en détail

1 Introduction aux Probabilités

1 Introduction aux Probabilités Probabilités Mathématiques 218 1 Introduction aux Probabilités 1.1 Généralités Le hasard est le fait d évènements qu on ne peut pas prévoir et qui font partie de notre quotidien. Les exemples sont nombreux

Plus en détail

Chapitre 3 : Combinatoire, Probabilités

Chapitre 3 : Combinatoire, Probabilités STAT03 : probabilités COURS Décembre 2000 Chapitre 3 : Combinatoire, Probabilités 1 Dénombrement 1.1 Introduction L étude statistique nous conduit à étudier une population finie et parfaitement déterminée

Plus en détail

Les trois sortes de tirages

Les trois sortes de tirages DERNIÈRE IMPRESSION LE 29 juin 2015 à 19:20 Les trois sortes de tirages Introduction Comme nous l avons vu, dans une loi équirépartie, il est nécessaire de dénombrer les cas favorables et les cas possibles.

Plus en détail

Chapitre I. Probabilités. Bcpst 1 2 novembre 2015. I Exemples d expériences aléatoires

Chapitre I. Probabilités. Bcpst 1 2 novembre 2015. I Exemples d expériences aléatoires Chapitre I Probabilités Bcpst 1 2 novembre 2015 I Exemples d expériences aléatoires Une expérience aléatoire est une expérience dont on ne peut pas prédire le résultat avant de l avoir réalisée... ce qui

Plus en détail

Calculs de probabilités

Calculs de probabilités Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile

Plus en détail

Qu est-ce qu une probabilité?

Qu est-ce qu une probabilité? Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont

Plus en détail

Dépôt légal : 2014 Achevé d imprimer en 2014 (Paris)

Dépôt légal : 2014 Achevé d imprimer en 2014 (Paris) F. Maisonneuve, Probabilités : variables aléatoires réelles et vectorielles. Cours et exercices, Paris : Presses des MINES, Collection Les cours, 2014. ISBN : 978-2-35671-075-8 Presses des MINES - TRANSVALOR,

Plus en détail

Corrrigé du sujet de Baccalaurat S. Pondichery 2015. Spécialité

Corrrigé du sujet de Baccalaurat S. Pondichery 2015. Spécialité Corrrigé du sujet de Baccalaurat S Pondichery 2015 Spécialité EXERCICE 1 (4 points) commun à tous les candidats Partie A Soit f la fonction définie sur R par f(x) et la droite d équation et la droite d

Plus en détail

Master 2 IMOI - Mathématiques Financières

Master 2 IMOI - Mathématiques Financières Master 2 IMOI - Mathématiques Financières Exercices - Liste 1 1 Comportement d un investisseur face au risque Exercice 1 Soit K la matrice définie par 1 2 [ 3 1 1 3 1.1 Montrer que K est la matrice de

Plus en détail

Épreuve de Mathématiques 8

Épreuve de Mathématiques 8 Lycée La Prat s Vendredi 10 avril 2015 Classe de PT Épreuve de Mathématiques 8 Durée 4 h L usage des calculatrices est interdit. La présentation, la lisibilité, l orthographe, la qualité de la rédaction

Plus en détail

Chapitre 8: Inférence, échantillonnage et estimation

Chapitre 8: Inférence, échantillonnage et estimation Chapitre 8: Inférence, échantillonnage et estimation 1. Echantillonnage aléatoire simple 2. Inférence statistique 3. Estimation 4. Evaluation graphique de l adéquation d un modèle de distribution 1 L inférence

Plus en détail

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq»

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Guy Perrière Pôle Rhône-Alpes de Bioinformatique 14 novembre 2012 Guy Perrière (PRABI) Tests statistiques 14 novembre 2012 1 / 40 Plan

Plus en détail

I. Cas de l équiprobabilité

I. 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 détail

Sujets HEC B/L 2013-36-

Sujets HEC B/L 2013-36- -36- -37- Sujet HEC 2012 B/L Exercice principal B/L1 1. Question de cours : Définition et propriétés de la fonction de répartition d une variable aléatoire à densité. Soit f la fonction définie par : f(x)

Plus en détail

Cours de Mathématiques II Chapitre 1. Algèbre linéaire

Cours de Mathématiques II Chapitre 1. Algèbre linéaire Université de Paris X Nanterre UFR Segmi Année 7-8 Licence Economie-Gestion première année Cours de Mathématiques II Chapitre Algèbre linéaire Table des matières Espaces vectoriels Espaces et sous-espaces

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

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES/L

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES/L BACCALAURÉAT GÉNÉRAL SESSION 2015 MATHÉMATIQUES Série ES/L Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) ES : ENSEIGNEMENT OBLIGATOIRE L : ENSEIGNEMENT DE SPECIALITE Les calculatrices électroniques

Plus en détail

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique Support du cours de Probabilités et Statistiques IUT d Orléans, Département informatique Pierre Andreoletti IUT d Orléans, Département Informatique Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences)

Plus en détail

Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante.

Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante. Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante. Essai de détermination du nombre de prélèvements à effectuer lors d un diagnostic amiante afin d assurer une représentativité

Plus en détail

CODES CORRECTEURS D'ERREURS

CODES CORRECTEURS D'ERREURS CODES CORRECTEURS D'ERREURS Marc URO TABLE DES MATIÈRES DÉTECTION ET CORRECTION D'ERREURS... 6 CAS D'UN CANAL SANS SYMBOLE D'EFFACEMENT...6 CAS D'UN CANAL AVEC SYMBOLE D'EFFACEMENT...7 GÉNÉRATION ET DÉTECTION

Plus en détail

Relations d ordre et relations d équivalence

Relations d ordre et relations d équivalence CHAPITRE 1 Relations d ordre et relations d équivalence 1.1 Définition Une relation sur un ensemble E est un sous-ensemble R de l ensemble E E, produit cartésien de E par lui-même. Par exemple, si E =

Plus en détail

Chapitre IV Bases et dimension d un espace vectoriel

Chapitre IV Bases et dimension d un espace vectoriel Chapitre IV Bases et dimension d un espace vectoriel Objectif : Nous allons voir comment fabriquer des systèmes de coordonnées pour les vecteurs d un espace vectoriel général. Dans ce chapitre désigne

Plus en détail

Séquence 3. 1 ère partie : 2 e partie : Second degré. Probabilités (1) Séquence 3 MA12. Cned - Académie en ligne

Séquence 3. 1 ère partie : 2 e partie : Second degré. Probabilités (1) Séquence 3 MA12. Cned - Académie en ligne Séquence 3 1 ère partie : Second degré e partie : Probabilités (1) Séquence 3 MA1 1 1 ère partie Second degré Sommaire 1. Pré-requis. Forme canonique, étude d une fonction du second degré 3. Équation du

Plus en détail

Les théorèmes de Gerschgorin et de Hadamard

Les théorèmes de Gerschgorin et de Hadamard Localisation des valeurs propres : Quelques propriétés sur les disques de Gerschgorin. Jean-Baptiste Campesato 22 septembre 29 Gerschgorin est parfois retranscrit en Gershgorin, Geršgorin, Hershhornou

Plus en détail

Exos corrigés darithmétique...classe : TS-Spé. Prof. MOWGLI Ahmed. Année scolaire 2015-2016

Exos corrigés darithmétique...classe : TS-Spé. Prof. MOWGLI Ahmed. Année scolaire 2015-2016 Exos corrigés darithmétique...classe : TS-Spé Prof. MOWGLI Ahmed Année scolaire 2015-2016 1 Pour des cours particuliers par petits groupes de 3 ou 4 élèves en maths et/ou physique-chimie, veuillez me contacter.

Plus en détail

Exercices de probabilités et statistique

Exercices de probabilités et statistique Exercices de probabilités et statistique Université Paris 1 Panthéon-Sorbonne Cours de deuxième année de licence de sciences économiques Fabrice Rossi & Fabrice Le Lec Cette œuvre est mise à disposition

Plus en détail

Chapitre 3 : Introduction aux probabilités

Chapitre 3 : Introduction aux probabilités IUT de Sceaux Département TC1 Mathématiques Chapitre 3 : Introduction aux probabilités 1. Évènements Les événements élémentaires sont les issues possibles d'une expérience aléatoire. Un événement est un

Plus en détail

II. Eléments des probabilités

II. Eléments des probabilités II. Eléments des probabilités Exercice II.1 Définir en extension l ensemble fondamental Ω des résultats associé à chacune des expériences aléatoires suivantes: 1. jeter une pièce de monnaie et observer

Plus en détail

TD 4 : HEC 2001 épreuve II

TD 4 : HEC 2001 épreuve II TD 4 : HEC 200 épreuve II Dans tout le problème, n désigne un entier supérieur ou égal à 2 On dispose de n jetons numérotés de à n On tire, au hasard et sans remise, les jetons un à un La suite (a, a 2,,

Plus en détail

1 Variable aléatoire discrète... 1. 1.1 Rappels... 1. 1.2 Exemple... 2 2 Couples de variables aléatoires... 3. 2.1 Définition... 3

1 Variable aléatoire discrète... 1. 1.1 Rappels... 1. 1.2 Exemple... 2 2 Couples de variables aléatoires... 3. 2.1 Définition... 3 CHAPITRE : LOIS DISCRÈTES Sommaire Variable aléatoire discrète................................... Rappels........................................... Exemple......................................... Couples

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 3 4 Master d économie Cours de M. Desgraupes MATHS/STATS Document : Solution des exercices d algèbre linéaire Table des matières

Plus en détail

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Dans cette cinquième séance, nous continuons l exploration des algorithmes de type Programmation Dynamique.

Plus en détail

Processus de Poisson. 3-602-84 Modèles probabilistes et stochastiques de la gestion. Geneviève Gauthier. Automne 2007. HEC Montréal.

Processus de Poisson. 3-602-84 Modèles probabilistes et stochastiques de la gestion. Geneviève Gauthier. Automne 2007. HEC Montréal. Processus de Poisson 3-602-84 Modèles probabilistes et stochastiques de la gestion Geneviève Gauthier HEC Montréal Automne 2007 1 Références Ce texte a été librement inspiré de notes prises au cours de

Plus en détail

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M Topologie 1 Espaces métriques 1.1 Distance Dans toute cette partie E représente un ensemble qui n est pas forcément un espace vectoriel. Définition

Plus en détail

Complexité des algorithmes

Complexité des algorithmes Complexité des algorithmes par Robert Rolland R. Rolland, Aix Marseille Université, Institut de Mathématiques de Marseille I2M Luminy Case 930, F13288 Marseille CEDEX 9 e-mail : robert.rolland@acrypta.fr

Plus en détail

Mathématiques Pour l Informatique I : Théorie des Ensembles et Relations. Serge Iovleff

Mathématiques Pour l Informatique I : Théorie des Ensembles et Relations. Serge Iovleff Mathématiques Pour l Informatique I : Théorie des Ensembles et Relations Serge Iovleff 13 septembre 2004 Quelques références Ma Page http ://www.iut-info.univ-lille1.fr/ iovleff Un Cours réalisé par des

Plus en détail

) 1 avec E. : «on obtient au moins une fois un 6 en n lancers». I. Méthode de dénombrement 1. Cas de deux lancers

) 1 avec E. : «on obtient au moins une fois un 6 en n lancers». I. Méthode de dénombrement 1. Cas de deux lancers première question supplémentaire. Cette méthode mène à une variable aléatoire suivant la loi binomiale. Copie n 5 : ce groupe résout très rapidement la question en considérant l'événement contraire! Heureusement

Plus en détail

Proposition de corrigé

Proposition de corrigé Externat Notre Dame Devoir Survéillé n 2 (1 ere ES/L) Samedi 14 décembre Durée : 3 h calculatrice autorisée - pas d échange de calculatrice ou de matériel Proposition de corrigé Dans tout ce devoir, la

Plus en détail

Probabilités. C. Charignon. I Cours 3

Probabilités. 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 détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration et probabilités TD1 Espaces mesurés Corrigé Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.

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

Extraits de Concours

Extraits de Concours Pierre-Louis CAYREL 2008-2009 Prépa HEC 2 disponible sur www.cayrel.net Lycée Lavoisier Feuille d extraits de concours Extraits de Concours 1 HEC Exercice 1 (via HEC - Oral 1997) Écrire un programme qui

Plus en détail

Topologie des espaces vectoriels normés

Topologie des espaces vectoriels normés Topologie des espaces vectoriels normés Cédric Milliet Version préliminaire Cours de troisième année de licence Université Galatasaray Année 2011-2012 2 Chapitre 1 R-Espaces vectoriels normés 1.1 Vocabulaire

Plus en détail

Intégration et probabilités TD1 Espaces mesurés

Intégration et probabilités TD1 Espaces mesurés Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?

Plus en détail

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html Arithmétique Algorithmique http://www.math.univ-lyon1.fr/~roblot/ens.html Partie III Algorithmes classiques 1 Coût de la multiplication et de la division 2 Exponentiation rapide 3 Algorithme d Euclide

Plus en détail

VII- Enumérations dans l ordre alphabétique

VII- Enumérations dans l ordre alphabétique VII- Enumérations dans l ordre alphabétique Prenons un dictionnaire. Comment savoir si un mot se trouve avant ou après un autre? On commence par comparer la première lettre de ces deux mots. Si elles sont

Plus en détail

La mesure de Lebesgue sur la droite réelle

La mesure de Lebesgue sur la droite réelle Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et

Plus en détail