Probabilités. Table des matières. Université Paris XI PCS0 Probabilités 2011/2012

Dimension: px
Commencer à balayer dès la page:

Download "Probabilités. Table des matières. Université Paris XI PCS0 Probabilités 2011/2012"

Transcription

1 Uiversité Paris XI PCS0 Probabilités 2011/2012 Probabilités Table des matières 1 Combiatoire Choix Les foctios cruciales du déombremet Ordoer u esemble à élémets Choisir p élémets parmi Choisir p élémets parmi, sas se préoccuper de l ordre Quelques propriétés avacées de combiatoires Iterprétatio polyomiale Coefficiets multiomiaux Triagle de Pascal Ragemet de p élémets idisticts das cellules Exercices Fodatios axiomatiques des probabilités Lagage de la théorie des esembles Espace des évéemets et probabilités Trois exemples fodametaux La situatio fiie équiprobable La situatio fiie podérée La situatio ifiie déombrable Probabilités coditioelles Fodatios axiomatiques des probabilités coditioelles Défiitio Idépedace Deux théorèmes fodametaux Formule des probabilités totales Formule de Bayes Exemples Variable aléatoire 14 1

2 4.1 Défiitio Lois fodametales Loi équirépartie Tirage de Beroulli Loi biomiale Loi géométrique Loi de Poisso Loi hypergéométrique Espérace, variace Espérace Covariace, variace Coefficiet de corrélatio Espérace et variace des lois fodametales Loi équirépartie Tirage de Beroulli Loi biomiale Loi géométrique Loi de Poisso Loi hypergéométrique Paradoxe du temps d attete Motivatio et formalisatio Deux exemples Cas gééral Coclusio et applicatios Exercices Lois biomiales itérées Variace des lois biomiales podérées Loi d arrêt à pile ou face Combiatoire 1.1 Choix Soit E {e 1, e 2,, e } u esemble fii de cardial. Alors il existe faços distictes de choisir u élémet e de E. Le comptage du ombre de choix d u élémet das u esemble reviet doc à la détermiatio du cardial de cet esemble. A cette fi, il est bo de se souveir que l esemble A B {(a, b) a A, b B} est de cardial A B. E particulier, si r est u etier, le cardial de E r est E r. Il existe doc p faços différetes de choisir p fois de suite u élémet das u esemble ayat élémets. 2

3 Exemples : Il existe choix d u jour de la semaie et d u mois de l aée. Il existe résultats possibles lorsque l o tire 3 fois de suite u dé usuel (à six faces). A l heure actuelle, il existe 14 cadidats déclarés à l électio présidetielle de Sauf e cas de victoire au premier tour, deux de ces cadidats s affroterot au secod tour. Il existe doc possibilités distictes (théoriques) de vote e cas d ue électio à deux tours. 1.2 Les foctios cruciales du déombremet Ordoer u esemble à élémets Soit E {e 1, e 2,, e } u esemble fii de cardial. U ordre sur E est le choix d ue éumératio des élémets de E. Par défiitio, il existe factoriel ordre sur E, ce que l o ote!. L etier! est égal à ( 1) ( 2) Ceci se démotre par récurrece de la maière suivate. Pour ordoer u E, il suffit de choisir u élémet e que l o place e première place. Ceci peut se faire de faços distictes. Esuite, il reste à ordoer l esemble E {e}, qui est de cardial 1. Il existe doc ( 1)! faços de procéder. Il y a doc ( 1)! faços d ordoer E. Doc! ( 1) Choisir p élémets parmi Soit E {e 1, e 2,, e } u esemble fii de cardial et soit p u etier. U p-arragemet (e ij ) 1 j p de E est la doée de p élémets disticts de E das u ordre doé (doc (e 1, e 2 ) et (e 2, e 1 ) e sot pas le même 2-arragemet). O désige le ombre de p-arragemets disticts d élémets de E par A p. Pour costruire u p-arragemet, il faut choisir u élémet e de E, que l o désige comme le premier élémet de l arragemet, puis choisir u (p 1)-arragemet de E {e}. Réciproquemet, tous les p-arragemets sot costruits de cette maière. Les p-arragemets vérifiet doc la relatio A p A p 1 1. E répétat cette relatio, o obtiet : A p ( 1)A p 2 2 ( 1) ( p + 2)Ap p+1 p+1 ( 1) ( p + 2)( p + 1) Notos que, u peu par covetio et aussi u peu pour des raisos de cohérece itere, o cosidère qu il existe u uique 0-arragemet (et o pas 0) das u esemble à élémets lorsque > 0. Doc A 0 1. De maière alterative, et quasimet équivalete, o peut remarquer qu u p-arragemet se prologe e u ordre sur les élémets de E de ( p)! faços distictes et que tous les ordres sur E sot costruits de cette maière. Doc : A p! ( p)! Choisir p élémets parmi, sas se préoccuper de l ordre Soit E {e 1, e 2,, e } u esemble fii de cardial et soit p u etier. U p-uplet (e ij ) 1 j p de E est la doée de p élémets disticts ( de E sas ordre prescrit (doc (e 1, e 2 ) et (e 2, e 1 ) sot le même 2-uplet). O désige par le ombre de faços distictes de choisir des p-uplet das p) E. Il est bo de remarquer qu il existe ue faço uique de choisir u 0-uplet das E, car la seule 3

4 possibilité est( de) predre ( le p-uplet ) vide, tadis qu il existe aucue faço de choisir u p-uplet si p < 0. Aisi, 1 et 0 si p > 0. 0 p Pour costruire u p-uplet, il suffit de costruire u p-arragemet. Par défiitio de p!, il existe p! p-arragemets disticts qui produiset par cette costructio le même p-uplet. Doc : ( p) Ap p! ( 1) ( p + 2)( p + 1) p!! p!( p)! Remarquos que choisir u p-uplet b das E est( la même ( chose) que de choisir le ( p)-uplet des élémets que l o a pas choisi das b. Doc. Cela est égalemet maifeste à p) p partir de la derière expressio de l équatio précédete. 1.3 Quelques propriétés avacées de combiatoires Iterprétatio polyomiale Cosidéros le polyôme (x + y) (x + y)(x + y) (x + y). Lorsque que l o développe ce polyôme, o doit pour chacue des parethèses choisir x ou y. Le terme de degré x k correspod doc ( au ombre de faços distictes de choisir k fois x parmi possibilités, et doc par défiitio à. Doc : k) ( (x + y) x k) k y k k0 Cette iterprétatio permet de démotrer certaies propriétés des et y par 1 motre que : (1 + 1) 2 k0 ( ) k Soit s u etier. L égalité (x + y) (x + y) s (x + y) s motre que : k0 ( ) x k y k k s i0 ( s i ) s x i y s i j0 ( k). Par exemple, remplacer x ( ) s x j y s j j E idetifiat le terme e x k y k de chaque côté de l équatio précédete, o obtiet : ( k) k ( ) ( ) s s i k i i0 Ou ecore : ( ) k i+jk ( s i ) ( s j ) 4

5 1.3.2 Coefficiets multiomiaux O peut gééraliser la otio de p-uplet e la otio de (p 1,, p s )-multiplet. État doé des etiers (p i ) 1 i s vérifiat p 1 + p p s, u (p 1,, p s )-multiplet est la doée de p 1 élémets disticts, puis de p 2 élémets disticts parmi ceux qui restet, ( et aisi) de suite. Le ombre de (p 1,, p s )-multiplets est par défiitio le ombre multiomial. Les ombres multiomiaux vérifiet la relatio p 1,, p s : Triagle de Pascal ( p 1,, p s )! p 1!p 2! p s! Pour costruire u p-uplet d élémets de E de cardial, il suffit de choisir tout d abord si ce p-uplet cotiedra ou o le derier élémet de E. Si oui, alors il reste à choisir u (p 1)-uplet de E {e } de cardial 1. Sio, alors otre p-uplet est u p-uplet de E ({e }. Réciproquemet, ( ) ( tout ) p- 1 uplet d élémets de E est costruit de la maière précédete. Doc +. Si p) p 1 p 1 l o dispose les coefficiets biomiaux e u triagle dot les liges correspodet à costat et les coloes à p costat, alors la somme de deux termes cosécutifs d u lige est égale au terme de la lige suivate e dessous du deuxième terme. Le dessi que l o obtiet est appelé le triagle de Pascal (même s il est apparaît déjà das les travaux de mathématicies idies du X siècle) Ragemet de p élémets idisticts das cellules Supposos que l o dispose de espaces et que l o souhaite y rager p élémets idetiques. Voici ue faço de procéder pour obteir le ombre possible de tels ragemets. O peut imagier que le ragemet se fasse de la maière suivate : o compte à partir de 1 le ombre d élémets que l o place das la première cellule ; à tout momet, o peut crier stop et o s arrête puis o recommece le comptage des élémets das la deuxième cellule, et l o cotiue jusqu à atteidre p. Afi que toutes les cellules soiet remplies (même de zéro élémet), il faut crier 1 fois stop. Pour que tous les élémets soiet placés, il faut compter de 1 à p. La persoe qui décrit le ragemet de cette maière prooce doc 1 + p mots. Le ragemet est défii par la positio des 1 stops. Doc le ombre de tels ragemets est ( 1 + p 1 ) ( + p 1 p ). 5

6 1.4 Exercices U dé usuel comporte 6 faces umérotées de 1 à 6. U jeu de cartes usuel cotiet 52 cartes divisées e 13 cartes umérotées de 1 à 13 de 4 couleurs. Exercice 1 De combie de faço différete peut-o obteir 7 e laçat deux dés? De combie de faços différetes peut-o tirer ue carte das u jeu de cartes? Deux cartes? Ciq cartes? Combie existe-t-il de tirages de ciq cartes où toutes les cartes sot de la même couleur? Combie existe-t-il de tirages de ciq cartes où deux cartes (au mois) parmi les ciq ot la même valeur? Correctio La valeur du premier dé peut être choisi parmi 6. Ue fois coue la valeur du premier dé, la valeur du secod dé est imposée. Il y a( doc ) 6 tirages possibles dot la( valeur ) est 7. Il existe tirages d ue carte das u jeu. Il existe tirages de deux cartes et tirages de ciq 2 5 cartes. U tirage de ciq cartes de la même couleur correspod à u choix d ue ( des ) cartes couleurs 13 puis au choix de 5 cartes parmi les 13 cartes de cette couleur. Il existe doc 4 tirages possibles 5 de ciq cartes d ue même couleur. Pour déombrer les tirages coteat au mois ue paire, il est plus aisé de compter les tirages e comportat pas de paires. Das ce cas, il faut choisir 5 valeurs parmi les 13 possibles. Esuite, il faut ( choisir ) l ue des 4 couleurs pour chacue des 5 cartes. Doc 13 le ombre de tirages sas paire est 4 5. Doc le ombre de tirage dot deux cartes au mois 5 ( ) ( ) ot la même valeur est Exercice 2 U wago de RER comporte 30 places assises. 18 voyageurs motet et s asseyet tous. Combie de répartitio différetes des places occupées existe-t-il? Si l o suppose que les voyageurs sot tous disticts, de combie de faços différetes peuvet-ils s asseoir? Correctio( Ue ) répartitio des places occupées est u choix de 18 places parmi les 30. Il e 30 existe doc. Si de plus o supposer que les voyageurs sot tous disticts, ue répartitio des 18 voyageurs est obteue ( ) e choisissat ue répartitio des places assises et u ordre sur les voyageurs. 30 Il y a doc 18! différetes répartitios. 18 Exercice 3 Combie d aagrammes du mot PROBABILITÉS peut o former? Combie d aagrammes peut-o former avec 11 des 12 lettres du mot PROBABILITÉS? Correctio Si l o se souviet des coefficiets multiomiaux, o remarque qu ue 1 aagramme de PROBABILITÉS correspod au choix de la positio des deux i parmi les 12 possibles, puis des ( deux b parmi les 10 restates, ) puis du p, du r, du o, du a, du l, du t, du e et du s. Il y a doc 12 aagrammes possibles. Alterativemet, o peut remarquer qu il existe 12! 2, 2, 1, 1, 1, 1, 1, 1, 1, 1 ordres possibles sur les lettres de PROBABILITÉS, mais que la permutatio des deux b et des deux i produit la même aagramme. Parmi ces aagrammes, mo ordiateur m assure qu il 1 Ce est pas ue faute de frappe 6

7 existe que deux mots apparteat à la lague fraçaise : probabilités et probabiliste. Pour former ue aagramme avec 11 des douze lettres, il faut commecer par choisir la lettre parmi les 10 que l o va supprimer. Il y a doc 10 choix possibles. Si l o choisit l ue des 8 lettres uiques, il reste alors 11! 4 aagrammes. Sio, o a choisi ue des deux lettres doubles. Il reste alors 11! 2 aagrammes. Il existe doc e tout 3 11! aagrammes. Parmi ces aagrammes (autat doc que d aagrammes complètes, mais c est ue coïcidece), mo ordiateur m assure qu il existe que deux mots apparteat à la lague fraçaise : probabilité et bipolarités. Exercice 4 Parmi persoes, o décide de former des groupes de travail. U tel groupe est formé d u certai ombre de persoes et d u représetat du groupe (u groupe est doc pas vide). Combie de groupes différets peut-o former. E déduire la formule suivate : ( s 2 s) 1 s0 Correctio Pour former u groupe, o peut commecer par choisir le représetat. Il y a alors choix. Esuite, pour les 1 persoes restates, o a le choix etre les mettre das le groupe ou o. Il y a doc u choix etre deux possibilités pour chaque persoe, doc 2 1 possibilités. Il y a doc 2 1 groupes. Alterativemet, pour costruire u groupe, ( ) o peut commecer par choisir u ombre s de membres et les s membres du groupes. Il y a groupes à s membres. Il ( s ) faut esuite ecore choisir u représetat du groupe. Il y a doc s groupes de s membres. Il s y a doc ( s 2 s) 1 groupes. s0 Exercice 5 Motrer : s0 ( ) 2, s ( ) ( 1) s 0 s s0 Correctio La première somme est le ombre total d esemble d élémets que l o peut former avec élémets. Pour former u tel esemble, il faut choisir pour chacu des élémets s il appartiet ou o à l esemble. Il y a doc u choix parmi deux possibilités pour chacu des élémets, soit 2 choix. La secode somme compare le ombre de s-uplets de cardial pair avec le ombre de p-uplets de cardial impair. Si est impair, le choix d u p-uplet pair reviet au choix d u ( p)-uplet impair. Il y a doc autat de p-uplet pair que de p-uplet impair. Si est pair, il y a d après ce que l o viet de voir autat de p-uplet pairs e coteat pas que de p-uplets impairs e coteat pas. U p-uplet pair coteat est la même chose qu u p-uplet impair e coteat pas. Il y e a doc autat que de p-uplets pairs e coteat pas ; ce qui est aussi le ombre de p-uplets impairs coteat. Alterativemet, o peut remarquer que la deuxième somme est le développemet de (1 1). 7

8 2 Fodatios axiomatiques des probabilités 2.1 Lagage de la théorie des esembles O rappelle que si X est u esemble, o peut effectuer les opératios d itersectio, uio et passage au complémetaire sur les parties de X. O dit qu u esemble est déombrable s il est fii ou s il peut s écrire sous la forme X {x 1, x 2, x 3 }. 2.2 Espace des évéemets et probabilités O cosidère u esemble Ω, que l o appelle l uivers aisi qu u sous-esemble T des parties de Ω vérifiat les propriétés suivates : 1. T est o-vide. 2. Si A T (doc A Ω) alors le complémetaire Ā de A das Ω est aussi das T. 3. Si A {A 1, A 2 } est u esemble déombrable d élémets de T, alors l uio de tous les A i est égalemet das T. Das le cas, fréquet das ce cours, où l esemble Ω est u esemble fii, o peut remplacer la troisième coditio par la coditio suivate : si A et B sot das T, alors A B est das T. U sous-esemble T vérifiat les propriétés ci-dessus est appelé ue tribu sur les parties de Ω. Les élémets de T sot appelés les élémets de l espace des évéemets. Notos que d après la première propriété de T, il existe u élémet A T. D après la deuxième, le complémetaire Ā de A est das T. D après la troisième, l uio A Ā Ω est das T. L esemble Ω tout etier est doc toujours das T. So complémetaire, l esemble vide, est doc égalemet toujours das T. Ue probabilité sur (Ω, T ) est ue foctio qui associe à u évéemet (doc à u élémet A T ) u ombre réel et qui vérifie les propriétés suivates : 1. Pour tout A T, 0 p(a) p(ω) Si A {A 1, A 2 } est u esemble déombrable d élémets de T deux à deux disjoits, alors : p(a 1 A 2 ) p(a i ) Das le cas, fréquet das ce cours, où l esemble Ω est u esemble fii, o peut remplacer la troisième coditio par la coditio suivate : si A et B sot das T et A B, alors p(a B) p(a) + p(b). O appelle espace probabilisé la doée de (Ω, T, p). Ces propriétés impliquet que p( ) 0, que p(ā) 1 p(a) et que p(a B) p(a) + p(b) p(a B). 8

9 2.3 Trois exemples fodametaux La situatio fiie équiprobable Cosidéros la situatio où Ω est l esemble fii des évetualités possibles d ue expériece combiatoire. Preos pour T l esemble des parties de Ω. Défiissos p par la formule p(a) A / Ω. Alors (Ω, T, p) vérifiet toutes les propriétés des fodatios axiomatiques des probabilités. Exemples : 1. Pour modéliser le lacer d u dé équilibré, o peut predre Ω {1, 2, 3, 4, 5, 6}. La probabilité de tirer u 6 est alors p({6}) 1/6. La probabilité de tirer u 3 ou u 4 est p({3, 4}) 2/6 1/3. La probabilité de tirer u ombre pair est p({2, 4, 6}) 3/6 1/2. 2. Pour modéliser le lacer de deux pièces équilibrées, o peut predre Ω {P P, P F, F P, F F }. 3. Pour modéliser le choix d u groupe de trois persoes (sas ordre) das u groupe de 20 (dot 14 hommes et 6 femmes), o peut predre Ω {groupes de 3 persoes ( parmi ) ( 20}. ) Alors la probabilité que ce groupe cotiee ue persoe x doée est p(a) /. ( ) 2 ( ) La probabilité qu u groupe e cotiee que des hommes est p(b) /. La 3 3 probabilité qu u groupe e cotiee que des hommes ( ) ( et ue ) persoe x doée est p(a B) 0 si x est pas u homme et p(a B) / si x est u homme La situatio fiie podérée C est la même situatio que das la situatio fiie équiprobable, mais o e suppose plus que p est défiie par p(a) A / Ω. Exemples : 1. Deux joueurs de pig-pog ot remarqué que lorsqu ils jouet l u cotre l autre, A gage 2 fois sur 3 cotre B. Ils décidet de jouer trois parties cosécutives et de déclarer vaiqueur celui qui aura remporté deux parties. O peut predre pour Ω l esemble suivat : {Mots de trois lettres formés des lettres A et B} Mais alors, la probabilité de p(aaa) est (2/3) 3 tadis que la probabilité de BBB est (1/3) 3. La probabilité que A l emporte est p(aaa) + 3p(AAB). 2. Certaies particules élémetaires s appellet des bosos (par exemple les photos, le oyau de l atome de Carboe, le oyau de l atome d Hélium) tadis que d autres s appellet des fermios (par exemple les électios et les protos). Si l o cosidère p bosos pouvat occuper états physiques ( discerables, ) la probabilité que le système physique etier soit das u état + p 1 doée est 1/. Si l o cosidère p fermios pouvat occuper états physiques p ( discerables, la probabilité que le système physique etier soit das u état doée est 1/. p) Si l o compare à la situatio combiatoire, ceci motre d ue part que les bosos et les 9

10 fermios sot par ature idiscerables et d autre part que deux bosos ou plus peuvet occuper le même état alors que deux fermios sot toujours das des états disticts La situatio ifiie déombrable Das cette situatio Ω est ifiie mais déombrable. Les élémets de Ω peuvet doc être idetifiés si o le souhaite avec N. O pred pour T l esemble des parties de A. La probabilité p doit vérifier l équatio : p() p(0) + p(1) + p(2) + p(3) E particulier, pour tout ε > 0, l esemble des ω tel que p(ω) ε est fii. E effet, das le cas cotraire, l iégalité N p() ε {0 ω N p(ω) ε} 0 motre que la somme des p(ω) de 0 à N est plus grade que 1 pour N assez grad. Exemples : 1. p() e 1 1! 2. Cosidéros la situatio où u joueur lace ue pièce jusqu à tomber sur pile et compte le ombre de lacers qu il doit faire. A priori, o e peut exclure le fait que la pile e tomber jamais sur pile, et doc que le ombre de lacers sera ifii. O peut modéliser cette situatio e preat p() 1/2 et vérifier que la somme des probabilités est bie Plus gééralemet, o peut associer ue probabilité aux élémets de N à partir de toutes séries (absolumet) covergetes e ormalisat la somme de la série. Par exemple, la foctio p défiie par est ue probabilité. p : N [0, 1] { 0 si 0 6 π 2 si > Probabilités coditioelles 3.1 Fodatios axiomatiques des probabilités coditioelles Défiitio O cosidère Ω u esemble, T ue tribu sur les parties de Ω et p ue probabilité sur T. Soit B u évéemet. L esemble T B des parties de Ω défii par {A B A T } est alors ue tribu sur les parties de B. Si de plus p(b) 0, alors p( B) défiie par p( B) : T B R A p(a B) p(b) 10

11 est ue probabilité sur T B. O appelle la probabilité p( B)la probabilité coditioelle à B. Ituitivemet, elle mesure la probabilité qu u évéemet A se produise sachat que l évéemet B s est produit. Exemples : 1. Quatre objets discerables sot placés das quatre ures discerables. Sachat que B les deux premiers objets sot das des ures distictes, calculos la probabilité que A trois objets soiet das la même ure (o suppose que tous les arragemets sot équiprobables). Trois objets sot das la même ure si et seulemet si les deux objets restats sot placés das l ure du premier objet ou das l ure du deuxième objet. Deux ragemets covieet doc sur les ragemets possibles. La probabilité p(a B) que trois objets soiet das la même ure est doc 1/8. Par ailleurs, p(b) est bie 3/4 et la probabilité de A B est bie 3/ Soit ue famille ayat deux efats. Sachat que B cette famille a u garço, quelle est la probabilité que A les deux efats soiet des garços (o suppose que tous les arragemets familiaux possibles sot équiprobables)? Ituitivemet, o a evie de répodre que cette probabilité est 1/2, car le sexe de l u des efats a pas a priori d icidece sur le sexe de l autre efat. Nous allos voir que otre ituitio est pas boe. E effet, p(b) 3/4 et p(a B) p(a) 1/4. Doc p(a B) 1/3. Notre erreur proviet du fait que les trois répartitios possibles des sexes de deux efats (à savoir fille/fille, fille/garço et garço/garço) e sot pas équiprobables. La formule p(a B) p(a B)p(B) permet de déduire la probabilité d ue itersectio de la probabilité coditioelle. Il est istructif de la gééraliser au cas d ue itersectio multiple. p(a B C) p(a (B C)) p(a B C)p(B C) p(a B C)p(B C)p(C) Imagios que C C D das les équatios précédetes. O obtiet alors : Et plus gééralemet : p(a B C D) p(a (B C D)) p(a B C D)p(B C D) p(a B C D)p(B C D)p(C D) p(a B C D)p(B C D)p(C D)p(D) ( ) i 1 p A i p(a 1 ) p A i i2 j1 A j (1) Idépedace Lorsque p(a B) p(a), o dit que les évéemets A et B sot idépedats. Si p(a) 0 et si A et B sot idépedats, alors p(a B) p(a B) p(b) p(a) doc p(b) p(a B) p(a) p(b A) doc B et A sot idépedats. Lorsque deux évéemets sot idépedats : p(a B) p(a)p(b) Plus gééralemet, si A 1,, A sot des évéemets mutuellemet idépedats, la formule (1) doe : ( ) p A i 11 A i

12 Ces relatios e demeuret bie évidemmet pas vraies si A et B e sot pas idépedats. 3.2 Deux théorèmes fodametaux Formule des probabilités totales Théorème 1. Soit A u évéemet et (B i ) 1 i ue famille d évéemets disjoits telle que p( B i ) 1. Alors : p(a) p(a B i )p(b i ) Démostratio. Si i j, alors B i B j. Doc, (A B i ) (A B j ) Doc : p((a B i ) (A B j )) p(a B i ) + p(a B j ) p(a B i )p(b i ) + p(a B j )p(b j ) Soit C le complémetaire de l uio des B i. Alors p(c) 0. Doc : p(a) p((a C) (A B i )) p(a C) + p(a B i ) p(a B i ) p(a B i )p(b i ) U cas fréquet d applicatio de ce théorème est celui où l o pred (B i ) (B, B) Formule de Bayes Théorème 2. Soit A et B deux évéemets tels que p(a)p(b) 0. Alors : p(a B)p(B) p(b A)p(A) Démostratio. E effet, les deux membres de l équatio sot égaux à p(a B). Exemple : Chaque jour, la probabilité que le RER arrive e retard est de 1/4. Lorsque le RER arrive e retard, u étudiat arrive e retard à so cours avec ue probabilité de 9/10. Lorsque le RER arrive à l heure, cet étudiat arrive à e retard à so cours avec ue probabilité de 1/5. Aujourd hui, l étudiat est arrivé à l heure. Quelle est la probabilité que le RER soit arrivé e retard? Soit A l évéemet l étudiat arrive à l heure et B l évéemet le RER arrive e retard. D après l éocé, p(a B) 1/10, p(a B) 4/5 et p(b) 1/4. Doc : D après la formule de Bayes : p(a) p(a B)p(B) + p(a B)p( B) p(b A) p(a B) p(b) p(a)

13 3.3 Exemples Prévalece d ue allèle récessive das ue populatio hétérozygote Das ue populatio, eviro 5% des hommes sot daltoies. Supposos que le daltoisme soit lié à la présece d ue certaie allèle récessive sur le chromosome X. Nous allos détermier la prévalece de cette allèle parmi les chromosomes X de la populatio, e déduire la proportio des femmes touchées par le daltoisme, puis la proportio des persoes touchées, et efi la probabilité qu ue persoe daltoiee soit u homme. Notos H l évéemet être u homme, F l évéemet être ue femme, D l évéemet être daltoie, X 1 l évéemet porter l allèle sur le premier chromosome X et X 2 l évéemet porter l allèle sur le secod chromosome X. Alors p(d H) p(x 1 H) 1/20. Il est raisoable de cosidérer que les évéemets X 1 et H sot idépedats, que les évéemets X 1 et F sot idépedats, que les évéemets X 1 F et X 2 F sot idépedats et efi que la probabilité p(x 2 F ) est égale à p(x 1 ). Das ces coditios, p(x 1 ) 1/20 et De plus : p(d F ) p(x 1 X 2 F ) p(x 1 F X 2 F ) p(f ) p(x 1 F )p(x 2 F ) p(f ) p(x 1) 2 p(f ) p(f ) p(x 1 ) p(x 1 F )p(x 1 ) p(f ) p(d) p(d M)p(M) + p(d F )p(f ) doc p(d) /800 et p(m D) p(d M)p(M) p(d) doc p(m D) /21. Cotrôle de qualité das ue chaîe de motage Ue chaîe de motage est formée de trois machies A, B et C. Elles produiset respectivemet 25%, 35% et 40% de la productio totale de l usie. De plus, 5%, 4% et 2% de leur productios respectives présetet u défaut. U objet est choisi au hasard et l o costate qu il est défectueux. Quelle est la probabilité qu il proviee de la machie A? D après la formule des probabilités totales : Doc : p(d) p(d A)p(A) + p(d B)p(B) + p(d C)p(C) p(a D) p(d A) p(a) p(d) /69 36% /2000 Boite de chocolats Ue boite de chocolat divisée e 6 compartimets cotiet u ombre icou, mais compris etre 0 et 5, de chocolats. O suppose que toutes les valeurs possibles du ombre de chocolat sot équiprobables et que toutes les répartitios sot équiprobables. Vous vous approchez du paquet pour predre u chocolat das le compartimet 1. Quelle est votre probabilité d attraper effectivemet u chocolat? Juste avat de tedre la mai, quelqu u vous passe devat et pred u chocolat das le compartimet 1. Quelle est maiteat votre probabilité d attraper u chocolat das le compartimet 2? O ote i l évéemet Il y a u chocolat das le compartimet i et l évéemet Il y a chocolats das la boite. Notos que par symétrie (ou par le calcul), la probabilité p(i) e déped 13

14 ( pas de i. ) Das ( ue répartitio coteat chocolat, la probabilité que le compartimet a soit plei 5 6 / 1 ) 2. Doc la probabilité p(1) de trouver u chocolat das le compartimet 1 est : p(1) 5 p(1 )p() 0 ( ) ( ) /12 0, 41 Calculos maiteat p(2 1). Das ue répartitio coteat ( ) chocolats, ( la probabilité que les 4 6 deux compartimets 1 et 2 soiet pleis est p(1 2 ) /. Doc : 2 ) p(1 2) p(2 1) p(1) ( ) ( ) /15 0, 53 De faço peut être cotre-ituitive, voir quelqu u mager u chocolat de la boite juste avat ous augmete doc otre probabilité de mager u chocolat. 4 Variable aléatoire 4.1 Défiitio Ue variable aléatoire est ue foctio défiie sur u espace probabilisé. Si X est ue variable aléatoire à valeurs das u esemble E déombrable, alors la foctio p(x ) : E [0, 1] x E p(x x) est ue foctio sur E à valeurs das [0, 1] que l o appelle la distributio de X. Si f est la distributio d ue variable aléatoire X à valeurs das u esemble E déombrable, alors : f(x) 1 x E Si X est ue variable aléatoire sur (Ω, T, p) et si B T est de probabilité o-ulle alors X défiit par restrictio à (B, T B, p( B)) ue variable aléatoire X B sur (B, T B, p( B)). La distributio de X B est p(x B). 2 O rappelle que le coefficiet biomial est ul si p est strictemet égatif. p«14

15 Soit X et Y deux variables aléatoires sur (Ω, T, p) à valeurs das E et F déombrables. La distributio joite de X et de Y est la foctio p(x, Y ) : E F [0, 1] (x, y) E F p(x x Y y) La formule p(x x) y Fp(X x Y y) motre que la distributio joite de X et Y détermie la distributio de X, et par symétrie celle de Y. E revache, la coaissace de la distributio de X et de celle de Y e doe e gééral aucue iformatio sur la distributio joite de X et Y. Soit F le sous-esemble {f F p(y f) > 0}. La distributio coditioelle de X coaissat Y est la foctio p(x Y ) : E F [0, 1] (x, y) E F p(x x Y y) Lorsque p(x Y ) est égal à la foctio p(x )p(y ), o dit que les variables aléatoires X et Y sot idépedates. Exemples : 1. O lace 3 dés à six faces. Soit Ω {1,, 6} 3. Les valeurs D 1, D 2 et D 3 obteues sur chaque dé sot des variables aléatoires sur l espace probabilisé (Ω, P(Ω), p) à valeurs das {1,, 6}. Les trois distributios de ces variables vérifiet f(i) 1/6 et sot doc égales. La variable aléatoire S D 1 + D 2 + D 3 est à valeur das {3,, 18}. La variable aléatoire Q D 1 /D 2 est à valeur das [0, 6] (par exemple) mais sa distributio g vérifie g(x) 0 si x / {a/b (a, b) {1,, 6}}. La variable aléatoire N égale au ombre de 6 obteus est à valeurs das {0, 1, 2, 3}. Les variables aléatoires D 1 et D 2 sot idépedates tadis que les variables aléatoires S et N e le sot pas : p(s 18 N 3) 1 alors que p(s 18)p(N 3) 1/ U étudiat estime avoir euf chaces sur dix d obteir la moyee à chacu de ces 5 exames. Le ombre d exame où il aura effectivemet obteu la moyee est ue variable aléatoire X sur (Ω {0, 1} 5, P(Ω), p) à valeurs das {0,, 5}. Elle vérifie p(x 0) 1/10 5 et p(x 3) 99%. 3. Chaque aée, u coducteur à ue probabilité x d avoir u accidet. La foctio X doat le ombre d aées avat so prochai accidet est ue variable aléatoire sur (N, P(N), p). Ici, o e précisera pas ce qu est la probabilité p ; ce serait possible mais assez délicat. L évéemet X k sigifie que le coducteur a pas eu d accidets pedat k 1 aée puis qu il a eu u accidet l aée k. Doc p(x k) (1 x) k 1 x. 4.2 Lois fodametales Loi équirépartie O dit qu ue variable X suit la loi équirépartie si X est à valeur das u esemble fii de cardial et si p(x x) 1/. 15

16 4.2.2 Tirage de Beroulli O dit qu ue variable X suit la loi B(p) de tirage de Beroulli de paramètre p si X est à valeur das {0, 1} et si p(x 1) p Loi biomiale O dit qu ue variable X suit la loi biomiale B(, p) de paramètres et p si X est à valeur das {0, } et si : ( p(x s) p s) s (1 p) s O remarque que la loi B(p) est la loi B(1, p) et que X suit la loi B(, p) lorsque X compte le ombre de succès (idetifié avec la valeur 1) das ue répétitio de tirages de Beroulli Loi géométrique O dit qu ue variable X suit la loi géométrique G(p) de paramètre p si X est à valeur das N et si p(x ) (1 p) 1 p. O remarque que X suit la loi géométrique lorsque X compte le ombre d essais avat le premier succès das ue répétitio de tirages de Beroulli Loi de Poisso O dit qu ue variable X suit la loi de Poisso P (λ) de paramètre λ si X est à valeur das N et si : Loi hypergéométrique λ λ p(x ) e! O dit qu ue variable X suit la loi hypergéométrique H(N,, p) de paramètres N, et p si X est à valeur das {0, } et si : ( ) ( ) N s p(x s) Np s ) ( N Np Cosidéros u tirage (sas remise) de boules d ue ure coteat( N ) boules, N r Np état N rouges et N N(1 p) état oires. Le ombre de tels tirages est. Soit P le ombre de tels tirages coteat exactemet s boules rouges. U tel tirage cotiet exactemet s boules oires choisies parmi N(1 p) et s boules rouges choisies parmi Np. Doc ( ) ( ) Np N(1 p) P s s 16

17 et la probabilité qu u tirage comporte exactemet s boules rouges est : ( ) ( ) Np N(1 p) s s p ( N ) N r!n!!(n )! s!(n r s)!( s)!(n + s)!n!! s!( s)! (N )! (N r s)!(n N r + s)! ( ) ( ) N s Np s ( N Np ) N r! N!(N r s)! O remarque doc que X suit la loi H(N,, p) lorsque X compte le ombre de boules rouges tirées das u tirage (sas remise) de boules d ue ure coteat N boules, Np état rouges. 4.3 Espérace, variace Espérace Soit X ue variable aléatoire à valeurs das R. L espérace de X est défiie par E(X) x Rxp(X x) (2) lorsque la somme précédete est covergete. L espérace est e particulier bie défiie lorsque la variable aléatoire X est à valeurs das u esemble fii avec probabilité 1. E effet, la somme (2) deviet das ce cas ue somme fiie. La défiitio motre égalemet qu ue variable aléatoire costate est égale à so espérace et réciproquemet qu ue variable aléatoire est égale à so espérace si elle est costate avec probabilité 1. Il est usuel d iterpréter l espérace de X comme la valeur moyee de X mais il est pas si facile de doer u ses précis à cette assertio. Théorème 3. Soit X, Y deux variables dot les espéraces sot défiies. Alors E(X +Y ) est défiie et E(X + Y ) E(X) + E(Y ). Démostratio. E(X + Y ) (x + y)p (X x Y y) (x,y) R 2 xp (X x Y y) + yp (X x Y y) (x,y) R 2 (x,y) R 2 x P (X x Y y) + x R y R y R y x RP (X x Y y) Or : Doc : (X x Y y) P (X x), y RP P (X x Y y) P (Y y) x R E(X + Y ) E(X) + E(Y ) 17

18 L espérace est doc liéaire, ce qui sigifie que E(aX + by ) ae(x) + be(y ) pour tous réels a, b et toutes variables aléatoires X, Y Covariace, variace Soit X et Y deux variables aléatoires telles que X 2 et Y 2 aiet ue espérace. La covariace de X et de Y est alors l espérace de (X E(X))(Y E(Y )). Soit : Cov(X, Y ) E ((X E(X)(Y E(Y )))) Par additivité de l espérace, la covariace de X et Y est aussi E(XY ) E(X)E(Y ). E particulier, si X et Y sot idépedates alors Cov(X, Y ) 0. La réciproque est pas vraie e gééral : il existe des variables aléatoires de covariace ulle et qui e sot pas idépedates. La covariace de X avec elle-même s appelle la variace et est otée Var(X). Par additivité de l espérace, Var(X) est égale à E(X 2 ) E(X) 2. Par défiitio, la variace est l espérace d ue variable aléatoire positive ou ulle doc est positive ou ulle. Ceci motre que E(X 2 ) E(X) 2. E cas d égalité, la variable aléatoire (X E(X)) 2 est ulle doc X est égale à so espérace avec probabilité 1, ou de maière équivalete, X est costate avec probabilité 1. Théorème 4. Soit X 1,, X des variables aléatoires dot les variaces sot défiies. Soit S la somme des X s. Alors : Var(S ) Cov(X s, X t ) Var(X s ) + 2 s1 s<t E particulier, si les X s sot mutuellemet idépedates, alors : Démostratio. E effet : E(S ) Var(S ) E(Xs 2 ) s1 ( E(X s ), (S E(S )) 2 (X s E(X s )) s1 Doc : (S E(S )) 2 s E(X s )) s1(x (X s E(X s ))(X t E(X t )) s<t E preat les espéraces des deux côtés de l équatio précédete, o obtiet la première assertio. La secode s e déduit car la covariace de deux variables aléatoires idépedates est ulle. La variace est pas liéaire. Le théorème précédet motre que Var(aX + b) a 2 Var(X). s1 ) Coefficiet de corrélatio La formule Cov(aX, ay ) a 2 Cov(X, Y ) motre que la variace d ue variable aléatoire correspodat à ue gradeur physique ayat ue uité déped du choix de l uité. Pour éviter, cet effet fâcheux, il est commode d itroduire le coefficiet de corrélatio Cor(X, Y ) défii par : Cor(X, Y ) Cov(X, Y ) Var(X) Var(Y ) 18

19 Alors Cor(aX + b, cy + d) Cor(X, Y ). Si X et Y sot des variables aléatoires idépedates, alors Cor(X, Y ) 0. Notos que la réciproque est pas vraie : si Cor(X, Y ) 0, tout ce que l o peut coclure est que l ue des variables est pas ue foctio liéaire de l autre. D u poit de vue scietifique, il est égalemet importat de distiguer corrélatio et explicatio : par exemple, la cosommatio mesuelle de glaces est fortemet corrélée à la fréquece des accidets d avios liés aux oiseaux das les aéroports fraçais sas pour autat que l o puisse supposer que ce sot les glaces qui provoquet des accidets d avios ou réciproquemet que les accidets d avios fot acheter des glaces. La raiso est tout simplemet que les ges maget plus de glaces l été et qu il y a plus d oiseaux e Frace l été que l hiver. 4.4 Espérace et variace des lois fodametales Loi équirépartie Soit X suivat la loi équirépartie à valeurs das {1,, }. Alors : E(X) s p(x s) 1 s s1 Ceci motre que si les correcteurs otaiet au hasard etre 0 et 20, alors les cadidats pourraiet espérer obteir la moyee à leurs exames (l espérace de la variable aléatoire N qui représete la ote état alors e effet égale à 10). La variace de X est défiie par : Tirage de Beroulli Var(X) E(X 2 ) E(X 2 ) 1 s1 ( ) s 2 2 s1 ( + 1)( 1) 12 La défiitio motre directemet que l espérace d u tirage de Beroulli est p et que la variace d u tirage de Beroulli est p(1 p) Loi biomiale Soit X suivat la loi biomiale. Par défiitio : ( E(X) s p s) s (1 p) s s0 O peut calculer l espérace de X e évaluat cette somme (par exemple e recoaissat la somme d ue dérivée et d ue série biomiale). Il est éamois beaucoup plus aisé de remarquer que X est la somme de tirages de Beroulli. Doc E(X) p d après le théorème 3. De même : Var(X) ( ) s 2 p s (1 p) s 2 p 2 s s0 A ouveau, o peut évaluer cette somme (par exemple e recoaissat ue combiaiso liéaire d ue dérivée secode, d ue dérivée première et d ue série biomiale). Il est éamois beaucoup 19

20 plus aisé d appliquer le théorème 4. Les tirages de Beroulli état idépedats, o obtiet aisi : Loi géométrique Var(X) Var(X s ) p(1 p) s0 Soit X suivat la loi géométrique G(p) de paramètre p. Calculos l espérace (e la cosidérat implicitemet comme ue foctio de p) : E(X) ( ) s(1 p) s 1 p p (1 p) s s1 p ( ) 1 1 p p Le calcul de la variace est similaire mais u peu plus complexe : E(X 2 ) s1 s 2 (1 p) s 1 p p s(s 1)(1 p) s 1 + p (1 p) s 1 s1 p(1 p) s1 ( ) p p 2 p p 2 s1 Doc : Var(X) 1 p p Loi de Poisso Soit X ue variable suivat la loi de Poisso P(λ). Alors : E(X) p(x ) e 0 λe λ 0 λ 1! λe λ d dλ (eλ ) λ 0 λ λ λe λ d dλ! ( Ce résultat ous permets de décrire beaucoup de variables aléatoires suivat la loi de Poisso. Soit M u phéomèe aléatoire qui a les caractéristiques suivates : 1. Ue occurrece de M peut iterveir à tout momet. 2. Toutes les occurreces de M sot idépedates. 3. L espérace du ombre d occurreces de M pedat u itervalle de temps de logueur t est égale à λt. 0 λ! ) 20

21 Soit X la variable aléatoire qui compte le ombre d occurreces de M pedat u itervalle doé de logueur 1. Nous allos motré que X suit la loi de Poisso P(λ). Cosidéros e effet u autre variable aléatoire Y comptat le ombre d occurreces d u processus N vérifiat les mêmes propriétés que M. Soit u itervalle de temps de logueur 1. Supposos que le ombre totale d occurreces de M et N soit égal ( à) pedat cet itervalle. Il existe alors 2 distributios distictes des occurreces de M et N et distributios distictes ayat exactemet s occurreces de M. s Doc : p(x s X + Y ) 1 ( ) 2 s Or : p(x s X + Y ) p(x s Y s X + y ) Les variables X et Y sot idépedates doc : Doc : p(x s X + Y ) p(x s)p(y s) Appliquos l équatio précédete à s 0 et s 1. Alors : Doc : Soit ecore : p(x 0)p(Y ) p(x s)p(y s) p(x + y ) p(x + Y ) 2 p(x s Y s) p(x + Y ) ( s) p(x + Y ) p(x + Y ) 2, p(x 1)p(Y 1) 2 p(x 0)p(Y ) p(x 1)p(Y 1) 1 p(y ) 1 Notos µ p(x 1)/p(X 0). Alors : p(y ) µ La somme des probabilités doit être égales à 1 doc : 0 p(x 1) p(y 1) p(x 0) µ p(y 1) p(y 0)! µ p(y ) p(y 0)! p(y 0)eµ 1 0 Soit ecore : p(y 0) e µ µ µ, p(y ) e! La variable aléatoire Y suit doc la loi de Poisso P(µ). De plus, elle est d espérace λ par hypothèse. Doc µ λ. Par symétrie, la variable aléatoire suit égalemet P(λ). Le calcul ci-dessus motre égalemet que si X 1 et X 2 suivet toutes les deux des lois de Poisso de paramètres respectifs λ 1 et λ 2 et si X 1 et X 2 sot idépedates, alors X 1 + X 2 suit la loi de Poisso de paramètre P(λ 1 + λ 2 ). 21

22 Calculos maiteat E(X 2 ). λ 2 + λ Doc Var(X) λ. E(X 2 ) e λ s 2 λs s! λ s e λ s (s 1)! s0 s1 e λ λ s (s 1) (s 1)! + λ s e λ (s 1)! s1 s1 λ 2 e λ λ s 2 (s 2)! + λ s 1 λe λ (s 1)! s2 s Loi hypergéométrique Soit X ue variable suivat la loi hypergéométrique H(N,, p). O peut iterpréter X comme le ombre de boules rouges tirées das u tirage de boules rouges ou blaches (sas remplacemet). Doc X est la somme des variables aléatoires X s telles que X s 0 si la boule s est pas rouge et X s 1 si la boule s est rouge. Les boules jouat toutes le même rôle, les variables X s suivet toutes la même loi. Fixer s 1 motre que cette loi est u tirages de Beroulli. Doc : E(X s ) r r + b p, Var(X rb s) p(1 p) (r + b) 2 Doc E(X) p. La variable aléatoire X s X t est u tirage de Beroulli de probabilité de succès r(r 1)/(r + b)(r + b 1). Doc : Et : Cov(X s, X t ) rb (r + b) 2 (r + b 1) ( Var(X) p(1 p) 1 1 ) N 1 O remarque doc qu u tirage sas remplacemet à la même espérace et ue variace plus faible qu u tirage avec remplacemet. 4.5 Paradoxe du temps d attete Motivatio et formalisatio U RER arrive e moyee toutes les 6 miutes. Si l o arrive au hasard sur le quai du RER, combie de temps va-t-o attedre e moyee? La répose à cette questio est cotre-ituitive et u peu déprimate : au miimum 3 miutes, et parfois bie plus. Nous verros que das certai cas, tout se passe comme si arriver au hasard sur le quai du RER reveait à arriver juste après le derier passage. Formalisos le problème de la maière suivate. L arrivée du i-ème RER est u évéemet aléatoire X i et o ote L i la variable aléatoire X i+1 X i. O suppose que toutes les variables L i suivet la même loi L et o suppose que Var(L) existe. L assertio comme quoi u RER passe e moyee toutes les miutes est l assertio que E(L). O ote A s, l évéemet arriver sur 22

23 le quai das la subdivisio [s, s + 1] d u itervalle de logueur sachat que l o sait que cet itervalle est de logueur. L hypothèse d arrivée au hasard sur le quai sigifie que la probabilité de A s, e déped pas de s. Soit T le temps d attete. O suppose pour simplifier que T A s, est s 1/2 (alterativemet, o pourrait cosidérer les évéemets A x, arriver e x [0, ] et poser T A x, x ; les deux modélisatios doet le même résultat). O cherche à calculer E(T ) Deux exemples Supposos tout d abord que la variable aléatoire L soit costate. Sa valeur est alors égale à. La variable aléatoire T suit alors la loi équirépartie sur {1/2, 3/2, 1 1/2, 1/2} doc so espérace est /2. Supposos maiteat que la variable aléatoire L suive la loi géométrique G(p) ; ce qui serait le cas si au lieu d attedre le RER, o attedait le premier face das ue série de pile ou face e arrivat au hasard au milieu d ue série de lacers. Alors, au facteur 1/2 de ormalisatio près, T suit égalemet la loi géométrie G(p) doc E(T ) 1/p 1/2 E(L) 1/2. Das ce cas, o voit qu e arrivat au hasard, tout se passe comme si o veait de rater le derier RER Cas gééral Voici commet procéder e gééral. Soit I la variable aléatoire défiie par la logueur de l itervalle etre la derière et la prochaie occurrece de X observée par l observateur. La clé du problème est de compredre que I e suit pas la même loi que L. E effet, si p(l l 1 ) p(l l 2 ) avec l 1 < l 2, alors p(i l 1 ) p(i l 2 ) car u observateur arrivat au hasard a plus de chace d arriver das u itervalle plus log que das u itervalle plus court. Formellemet, I est ue variable aléatoire doc est ue foctio : Doc : I : (Ω, τ, p) (N, P(N), p ) p(i ) p ({}) 1 E(L) e I(e) x I 1 () p(x) p(l ) E(L) L observateur arrivat au hasard doc le temps d attete sachat que l itervalle observée est de logueur est équirépartie. Doc, pour 0 s 1 et t s + 1/2 p(t t I ) 1 Doc : Et doc : E(T ) t t0 t 1 E(L) 1 p(t t) t p(l ) E(L) p(l ) E(L) 1 1 (s + 1 )p(l ) E(L) 2 1s0 2 2 p(l ) E(L2 ) 2E(L) 23

24 Comme Var(L) E(L 2 ) E(L) 2 : Coclusio et applicatios E(T ) E(L) 2 ( 1 + Var(L) ) E(L) 2 Le temps d attete observée est toujours supérieur à E(L)/2 et l égalité est réalisée si et seulemet si L est de variace ulle, doc costate. A espérace égale, mieux vaut toujours avoir ue variace faible si l o veut éviter d attedre. Lorsque L suit la loi géométrique, o retrouve bie que l espérace du temps d attete est égale à l espérace de la logueur de l itervalle etre deux RER mois 1/2. Lorsque L suit la loi de Poisso, l espérace du temps d attete est même égal à l espérace de la logueur de l itervalle etre deux RER. Das ce cas, arriver au hasard reviet doc systématiquemet à voir les portes se fermer juste devat soi. Le fait que le temps d attete soit toujours supérieur à l espérace du temps etre deux occurreces a des coséqueces importates e pratique. Tout d abord, cela explique pourquoi ous avos du mal à croire la RATP quad elle affirme qu il y a u RER toutes les 10 miutes aux heures de poite. E effet, ous avos tedace à croire que cela sigifie que ous attedros alors e moyee ciq miutes et ous veos de voir qu il e est rie. Esuite, si au lieu d imagier quelqu u e trai d attedre so RER, o imagie quelqu u qui mesure la fiabilité d ue istallatio. Attedre le prochai icidet et multiplier par deux surestimera la fiabilité du réseau ; ce qui est bie évidemmet dommageable pour la sécurité de l istallatio. Par exemple, si au momet de souscrire votre police d assurace, vous attedez votre prochai accidet puis vous multiplier le temps d attete par deux pour estimer combie d accidets vous aurez e moyee par a, vous souscrirez ue assurace qui e vous protégera pas assez. Das la mesure où beaucoup d accidets suivet la loi de Poisso, vous risquez même de predre ue police d assurace 2 fois trop laxiste. 4.6 Exercices Lois biomiales itérées Éocé Supposos doée ue expériece dot le ombre de succès suit la loi biomiale B(, p). L objectif de cet exercice est de détermier la loi suivie par le ombre de succès si l o répète l expériece pour les istaces d échecs de la première expériece. U groupe de cadidats passet u exame. Pour chacu d etre eux, la probabilité de réussir est p 1/2 et celle d échouer est q 1 p. Soit X 1 la variable aléatoire qui compte le ombre de cadidats reçus. 1. Quelle est la loi de X 1 et quelle est so espérace? Les cadidats ayat échoués peuvet passer ue sessio de rattrapage. O ote X 2 le ombre de succès das la sessio de rattrapage. 2. (a) Motrer que si 0 r s, o a : p(x 2 r X 1 s) ( ) s p r q s r r (b) Motrer l égalité : ( )( s r s) ( ) ( r s r) (3) 24

25 (c) Motrer que : r p(x 2 r) p(x 2 r X 1 s)p(x 1 s) s0 (d) Déduire de la questio précédete et de l équatio (3) que X 2 suit la loi biomiale B(, pq). 3. E déduire la loi suivie par le ombre de succès das 3 itératios de ce procédé, puis par s itératios. Correctio 1. La variable aléatoire X 1 suit la loi biomiale B(, p). Doc E(X 1 ) p. 2. (a) Le ombre de succès obteus lorsque l o réalise s tirages de Beroulli idépedats suit ( la loi ) biomiale de paramètres B( s, p). La probabilité d obteir r succès est doc s p r r q s r. (b) Le terme de gauche de l équatio est le ombre de couples (a, b) où a est u choix de s élémets parmi et b u choix de r élémets parmi les s restats. Le terme de droite de l équatio est le ombre de couples (b, a) où b est u choix de r élémets parmi et a u choix de s élémets parmi les r restats. L applicatio (a, b) (b, a) est ue bijectio etre ces deux esembles doc ces deux ombres sot égaux. Alterativemet, o peut utiliser la défiitio : ( ) ( s r s) ( s)!! r!( s r)! s!( s)!! s!r!( r s)! ( ) ( ( r)!! r s!( r s)! r!( r)! s r) (c) Si X 2 r, alors {X 1 s} s0,1,..., r est u système complet d évéemets. O applique alors le théorème des probabilités totales pour obteir l égalité demadée. (d) O a : r p(x 2 r) p(x 2 r X 1 s)p(x 1 s) s0 r ( ) ( s p r q s r r s s0 r ( )( r s r s0 ( r ( r )(pq) r r s s0 ( ) (pq) r (p + q 2 ) r r ) p s q s ) p r+s q 2 2s r ) p s (q 2 ) ( r) s 25

26 Or pq + p + q 2 (p + q)q + p p + q 1. Si p 2 pq, o a doc bie : ( ) p(x 2 r) p r r 2(1 p 2 ) r Aisi, la variable aléatoire X 2 suit la loi biomiale B(, pq). Alterativemet, o peut remarquer que X 2 compte le ombre de succès das tirages de Beroulli idépedats pour lesquels le succès est défii par la combiaiso échec/réussite das deux passages d exames successifs, et doc dot la probabilité de succès est pq. 3. La variable aléatoire X 3 compte le ombre de succès das tirages de Beroulli idépedats pour lesquels le succès est défii par la combiaiso échec/échec/réussite et sui doc la loi biomiale B(, p(1 p) 2 ). Par le même raisoemet, la variable aléatoire X s suit la loi biomiale B(, p(1 ) s 1 ) Variace des lois biomiales podérées Éocé L objectif de cet exercice est de démotrer que parmi les variables aléatoires comptat le ombre de succès das tirages de Beroulli idépedats et d espérace p, c est la loi biomiale (correspodat doc au cas où les tirages ot tous la même probabilité de succès) qui a la plus grade variace. Soit X 1, X 2,, X des tirages de Beroulli idépedats tels que la probabilité de succès de X i soit p i. Soit S la variable aléatoire égale à la somme des X i. 1. Calculer l espérace de S. 2. Calculer la variace de S. 3. Soit 0 p 1. Parmi toutes les distributios de p i telles que p i p quelle est celle telle que la variace de S soit maximale? Correctio 1. L espérace de X i est égale à p i doc : E(S) E(X i ) 2. Les variables aléatoires X i sot idépedates doc : Var(S) Var(X i ) p i p i (1 p i ) p i 3. D après la questio précédete, la distributio des p i maximisat la variace de S est celle qui miimise la somme des p 2 i sous la coditio que : p i p 26 p 2 i

27 Posos d i p i p. Alors : Miimiser d i 0 p 2 i sigifie miimiser miimiser (d i + p) 2 et ceci est équivalet à miimiser (d i + p) 2 p 2 car p 2 est costat. Or : (d i + p) 2 p 2 ( (di + p) 2 p 2) d 2 i ( ) d 2 i + 2pd i Cette derière somme état ue somme de termes positifs, elle est miimale si et seulemet tous les d i sot uls. La variace de S est doc maximale lorsque tous les p i sot égaux à p et doc quad S suit la loi biomiale de paramètres B(, p). Combié avec les résultats du paradoxe du temps d attete, cet exercice suggère que l Uivers fait tout pour que ous arrivios le plus e retard possible (e effet, le retard d u RER, et doc la variace de l itervalle etre deux RER peut être modélisé de maière réaliste par ue série de tirages de Beroulli représetat chacu la possibilité d u icidet etraîat u retard ; ue équipe de maiteace va aturellemet se cocetrer sur les icidets les plus fréquets et etraîat les retards les plus importats, ce qui aura pour tedatiellemet l effet d égaliser les espéraces des tirages de Beroulli, doc de maximiser la variace et doc de maximiser l espérace du temps d attete) Loi d arrêt à pile ou face Éocé L objectif de cet exercice est de démotrer que si l o réalise ue série de lacers à pile ou face, le fait de s arrêter aléatoiremet ou de s arrêter dès que l o a obteu u face e chage i l espérace du ombre de piles, i l espérace du ombre de faces, i l espérace du ombre de lacers. E revache, cela chage radicalemet l espérace de la proportio du ombre de piles parmi tous les lacers. U joueur lace ue pièce équilibrée. Après chaque lacer, il décide aléatoiremet de relacer la pièce avec ue probabilité p 1/2 ou de s arrêter avec la même probabilité. O appelle u tirage la doée d ue suite de piles et de faces obteue par le laceur jusqu à ce qu il s arrête. La logueur d u tirage est le ombre de lacers effectués. O cosidère l espace probabilisé (Ω, P(Ω), p) où Ω est l esemble des tirages possibles. O admettra que sous ces coditios, la probabilité d obteir u certai tirage e déped que de la logueur de ce tirage et que la probabilité d obteir u tirage de logueur 1 est égale à 2 2. O ote P la variable aléatoire égale au ombre de piles qu il a obteus, F la variable aléatoire égale au ombre de faces obteues, N P + F la variable aléatoire égale au ombre de lacers effectués. 1. Vérifier que p est bie ue probabilité. 2. Quelle est la loi suivie par la variable aléatoire N? Quelle est so espérace? 3. Soit 1 u etier. Quelle est la loi suivie par la variable aléatoire P (N )? Que vaut E(P N )? 27

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson 4 L E Ç O N Loi biomiale Niveau : Première S + SUP (Covergece) Prérequis : Variable aléatoire, espérace, variace, théorème limite cetral, loi de Poisso 1 Loi de Beroulli Défiitio 41 Loi de Beroulli Soit

Plus en détail

Chapitre 4 Lois discrètes

Chapitre 4 Lois discrètes Chapitre 4 Lois discrètes 1. Loi de Beroulli Ue variable aléatoire X est ue variable de Beroulli si elle e pred que les valeurs 0 et 1 avec des probabilités o ulles. P(X = 1) = p, P(X = 0) = 1 p = q, avec

Plus en détail

Dénombrement - Combinatoire Cours

Dénombrement - Combinatoire Cours Déombremet - Combiatoire Cours La combiatoire (ou aalyse combiatoire) étudie commet compter des objets. Elle fourit des méthodes de déombremet particulièremet utiles e probabilité. U des pricipaux exemples

Plus en détail

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques Variables discrètes fiies - Exercices pratiques Exercice - Loi d u dé truqué - L2/ECS -. X pred ses valeurs das {,..., 6}. Par hypothèse, il existe u réel a tel que P (X k) ka. Maiteat, puisque P X est

Plus en détail

EXERCICES : DÉNOMBREMENT

EXERCICES : DÉNOMBREMENT Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris

Plus en détail

II. Permutations sans répétitions et notation factorielle

II. Permutations sans répétitions et notation factorielle février 2012 ORRIGE II. Permutatios sas répétitios et otatio factorielle Aalyse combiatoire 4 ème - 1 I. Itroductio Les différets modèles mathématiques costruits pour étudier les phéomèes où iterviet le

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours Exo7 Logique, esembles et applicatios Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I :

Plus en détail

PROBABILITÉS. A cette expérience aléatoire, on associe l ensemble des résultats possibles appelé univers. Ses éléments sont appelés éventualités.

PROBABILITÉS. A cette expérience aléatoire, on associe l ensemble des résultats possibles appelé univers. Ses éléments sont appelés éventualités. PROBABILITÉS I. PROBABILITÉS ( RAPPELS) a. Expérieces aléatoires et modèles Le lacer d ue pièce de moaie, le lacer d u dé sot des expérieces aléatoires, car avat de les effectuer, o e peut pas prévoir

Plus en détail

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1 [htt://m.cgeduuydelome.fr] édité le 10 juillet 2014 Eocés 1 Déombremet Exercice 1 [ 01529 ] [correctio] Soiet E et F deux esembles fiis de cardiaux resectifs et. Combie y a-t-il d ijectios de E das F?

Plus en détail

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures)

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures) Exercice 1 (5 poits) Bac Blac Termiale L - Février 015 Épreuve de Spécialité Mathématiques (durée 3 heures) Questio 1 : La populatio d'ue ville baisse de 1 % tous les as pedat 10 as. Elle est doc multipliée

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n = [http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.

Plus en détail

Inégalités souvent rencontrées

Inégalités souvent rencontrées Iégalités souvet recotrées Recotres Putam 004 Uiversité de Sherbrooke Jea-Philippe Mori Théorie Certaies iégalités sot deveues célèbres e raiso de leur grade utilité Elles sot aussi souvet au coeur de

Plus en détail

1 Mesure et intégrale

1 Mesure et intégrale 1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios

Plus en détail

Chapitre 3 : Fonctions d une variable réelle (1)

Chapitre 3 : Fonctions d une variable réelle (1) Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s

Plus en détail

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.

Plus en détail

Exercices - Lois discrètes usuelles : corrigé

Exercices - Lois discrètes usuelles : corrigé www.almohadiss.com Exercice - Avio - L2/Prépa Hec - O ote X la variable aléatoire du ombre de moteurs de A qui tombet e pae, et Y la variable aléatoire du ombre de moteurs de B qui tombet e pae. X suit

Plus en détail

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter

Plus en détail

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités coditioelles - Suites géométriques - foctios epoetielles Calculatrice autorisée Termiale ES123 Eercice 1 : 5 poits Partie A : Ue agece de locatio

Plus en détail

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1 Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S

Plus en détail

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour

Plus en détail

Correction Bac ES France juin 2010

Correction Bac ES France juin 2010 Correctio Bac ES Frace jui 010 Exercice 1 (4 poits) (Commu à tous les cadidats) Pour ue meilleure compréhesio, les réposes serot justifiées das ce corrigé. Questio 1 Le ombre 3 est solutio de l équatio

Plus en détail

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles BTS Mécaique et Automatismes Idustriels Statistiques iféretielles, Aée scolaire 2005 2006 Statistiques iféretielles 1. Itroductio vocabulaire Pour étudier ue populatio statistique, o a recours à deux méthodes

Plus en détail

Correction HEC III 2007

Correction HEC III 2007 HEC III 7 Voie Écoomique Correctio Page Correctio HEC III 7 Voie écoomique La correctio comporte 9 pages. Eercice. Par dé itio est ue valeur propre de t si et seulemet si est ue valeur propre de T: Et

Plus en détail

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse Séquece 9 Itervalles de fluctuatio, estimatio Objectifs de la séquece Das le chapitre 2, o étudie des itervalles de fluctuatio des variables aléatoires X F =, fréqueces des variables aléatoires biomiales

Plus en détail

Dénombrement. 1 Dénombrer des listes 2 1.1 Permutation... 2 1.2 Arrangement... 3 1.3 p-liste... 4

Dénombrement. 1 Dénombrer des listes 2 1.1 Permutation... 2 1.2 Arrangement... 3 1.3 p-liste... 4 1 Déombremet Table des matières 1 Déombrer des listes 2 1.1 Permutatio................................ 2 1.2 Arragemet............................... 3 1.3 -liste.................................... 4

Plus en détail

P : Dénombrements / Probabilités en univers fini

P : Dénombrements / Probabilités en univers fini P : Déombremets / Probabilités e uivers fii Déombremet & Combiatoire P.1 O tire les cartes! O tire 5 cartes das u jeu de 32 cartes usuel. Combie y a-t-il de tirages possibles vérifiat les coditios suivates

Plus en détail

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1)

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1) Corrigé ESSEC III 008 par Pierre Veuillez Das certaies situatios paris sportifs, ivestissemets fiaciers..., o est ameé à miser de l arget de faço répétée sur des paris à espérace favorable. O se propose

Plus en détail

Remise à Niveau Mathématiques

Remise à Niveau Mathématiques Mathématiques RAN - Calcul et raisoemet Remise à Niveau Mathématiques Première partie : Calcul et raisoemet Exercices Page sur 9 RAN Calcul et raisoemet Ex - Rev 04 Mathématiques RAN - Calcul et raisoemet

Plus en détail

Probabilités exercices corrigés

Probabilités exercices corrigés Termiale S Probabilités Exercices corrigés Combiatoire avec démostratio Ragemets Calcul d évéemets Calcul d évéemets Calcul d évéemets 6 Dés pipés 7 Pièces d or 8 Agriculteur pas écolo 9 Boules Jeux 6

Plus en détail

Probabilités. Poly des exercices. Prépa HEC Saint-Jean de Douai. Springer-Verlag ECS1 2007-2008. 4 septembre 2008

Probabilités. Poly des exercices. Prépa HEC Saint-Jean de Douai. Springer-Verlag ECS1 2007-2008. 4 septembre 2008 Prépa HEC Sait-Jea de Douai Probabilités Poly des exercices ECS1 2007-2008 Christia Skiada 4 septembre 2008 Spriger-Verlag Berli Heidelberg NewYork Lodo Paris Tokyo Hog Kog Barceloa Budapest Préface Voici

Plus en détail

On obtient la formule de Pascal en prenant le cardinal :

On obtient la formule de Pascal en prenant le cardinal : Colles du 3 ovembre 014 Solutio de la questio de cours 1. (i) Soit E u esemble de cardial. L esemble (E) peut alors être partitioé comme suit : (E) (E), où (E) est l esemble des parties de E de cardial.

Plus en détail

La classification de données quantitatives avec SPAD

La classification de données quantitatives avec SPAD La classificatio de doées quatitatives avec SPAD SPAD effectue toujours ue ACP de la matrice des doées quatitatives X " p avat de faire la classificatio des idividus. Les méthodes de classificatio s appliquet

Plus en détail

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

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Lycée Féelo aite-marie Préparatio ciece-po/prépa HEC Foctios Versio du juillet 05 Eercice d degré : racies et coefficiets O rappelle que si l équatio a + b + c = 0 ( a 0 ) adet deu racies α et β (évetuelleet

Plus en détail

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels.

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels. Uiversité de Provece 011 01 Mathématiques Géérales I Plache 6 Nombres réels Suites réelles Nombres réels Exercice 1 Mettre sous forme irréductible p/q les ratioels suivats (les chiffres souligés se répètet

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES II

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES II CHAMBRE DE COMMERCE ET D INDUSTRIE DE PARIS DIRECTION DE L ENSEIGNEMENT Directio des Admissios et cocours ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON CONCOURS

Plus en détail

AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES. ITS Voie B Option Économie. MATHÉMATIQUES (Durée de l épreuve : 4 heures)

AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES. ITS Voie B Option Économie. MATHÉMATIQUES (Durée de l épreuve : 4 heures) ÉCOLE NATIONALE SUPÉRIEURE DE STATISTIQUE ET D ÉCONOMIE APPLIQUÉE ENSEA ABIDJAN AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES ITS Voie B Optio Écoomie MATHÉMATIQUES (Durée de l épreuve : 4 heures)

Plus en détail

Probabilité 1 - L1 MMIA

Probabilité 1 - L1 MMIA Probabilité 1 - L1 MMIA Tra Viet Chi, vtra@u-paris10fr, Bureau E12(G) Exercice 1 (Pour démarrer) 1 Soiet A et B deux esembles Rappelez les défiitios de l itersectio A B, de l uio A B, de la différece A

Plus en détail

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( )

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( ) Aée 01-013 Mathématiques Décembre 01 Durée : 3 heures BAC blac N 1 La calculatrice est autorisée. Le sujet comporte u total de 5 exercices. Les élèves e suivat pas l eseigemet de spécialité traiterot les

Plus en détail

Devoir de statistiques: CORRIGE

Devoir de statistiques: CORRIGE CPP - la prépa des INP ( ème aée). Bordeaux, 6/04/04. Devoir de statistiques: CORRIGE durée h Doées: O rappelle que si Z suit ue loi N (0, ), o a P(Z.96) 0, 975 et P(Z.65) 0, 95. Exercice. θ et O cosidère

Plus en détail

ADMISSION AU COLLEGE UNIVERSITAIRE

ADMISSION AU COLLEGE UNIVERSITAIRE ADMISSION AU COLLEGE UNIVERSITAIRE Samedi mars 204 MATHEMATIQUES durée de l'épreuve : 3h - coefficiet 2 Le sujet est uméroté de à 5. L'aexe est à redre avec la copie. L'exercice Vrai-Faux est oté sur 8,

Plus en détail

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h Etrée à Scieces Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h A P M E P Les calculatrices sot autorisées Exercice Vrai-Faux 8 poits Pour chacue des affirmatios suivates,

Plus en détail

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS CHAPITRE 4 MATRICES ET SUITES 1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS 11/ Présetatio et modélisatio O cosidère u système ui peut se trouver soit das u état A, soit das u état, et

Plus en détail

École de technologie supérieure

École de technologie supérieure École de techologie supérieure Mat 165-04 Algèbre liéaire et aalyse vectorielle A-015 Michel Beaudi michel.beaudi@etsmtl.ca Liste d exercices à faire e T.P./Caledrier des évaluatios Itroductio au cours

Plus en détail

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé : Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +

Plus en détail

Limites des Suites numériques

Limites des Suites numériques Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet

Plus en détail

Séquence 5. La fonction logarithme népérien. Sommaire

Séquence 5. La fonction logarithme népérien. Sommaire Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa

Plus en détail

REQUÊTES. Il est possible de créer des formulaires ou des états à partir de requête.

REQUÊTES. Il est possible de créer des formulaires ou des états à partir de requête. Cliclasolutio Aée 2006/2007 REQUÊTES Utilité des requêtes QUESTIONNER LA BASE DE DONNÉES La foctio classique d'ue requête est de répodre à ue questio sur la base de doées. "Quels sot les cliets habitat

Plus en détail

Les Nombres Parfaits.

Les Nombres Parfaits. Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie

Plus en détail

Correction Devoir commun Classes de Secondes concernées : 2nde 10, 2nde 11, 2nde13,

Correction Devoir commun Classes de Secondes concernées : 2nde 10, 2nde 11, 2nde13, LYCEE GRAND AIR Correctio Devoir commu Classes de Secodes cocerées : de 10, de 11, de13, feuilles + papier millimétré. 08/0/013 Exercice 1 : L aée lumière. 1. D après le texte, la vitesse de la lumière

Plus en détail

Probabilités et statistique pour le CAPES

Probabilités et statistique pour le CAPES Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes

Plus en détail

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces

Plus en détail

CHAPITRE 2 SÉRIES ENTIÈRES

CHAPITRE 2 SÉRIES ENTIÈRES CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.

Plus en détail

PROJET DE MONTE CARLO SUJET 1: LE PRICING

PROJET DE MONTE CARLO SUJET 1: LE PRICING LE Age KHOURI Nadie M MMD PROJE DE MONE ARLO SUJE : LE PRIING Selim ZOUGHLAMI QUESION : Supposos d abord que X est u mouvemet browie W t G([ 0, ]) Alors W0 G( 0 ) suit ue loi N(0,0) et doc W 0ps 0 Esuite,

Plus en détail

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1 Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a

Plus en détail

14 Chapitre 14. Théorème du point fixe

14 Chapitre 14. Théorème du point fixe Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de

Plus en détail

SÉRIES STATISTIQUES À DEUX VARIABLES

SÉRIES STATISTIQUES À DEUX VARIABLES 1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1

Plus en détail

Dénombrement. ECE3 Lycée Carnot. 30 novembre 2011

Dénombrement. ECE3 Lycée Carnot. 30 novembre 2011 Déombremet ECE Lycée Carot 0 ovembre 2011 Itroductio La combiatoire, sciece du déombremet, sert comme so om l idique à comter Il e s agit bie etedu as de reveir au stade du CP et d aredre à comter sur

Plus en détail

PRINCIPALES DISTRIBUTIONS DE PROBABILITÉS

PRINCIPALES DISTRIBUTIONS DE PROBABILITÉS PRINCIPALES DISTRIBUTIONS DE PROBABILITÉS INTRODUCTION De ombreuses situatios pratiques peuvet être modélisées à l aide de variables aléatoires qui sot régies par des lois spécifiques. Il importe doc d

Plus en détail

Application «Calculs» Application «Graphiques» Application «Tableur et listes» FR

Application «Calculs» Application «Graphiques» Application «Tableur et listes» FR TI Nspire Documet de Formatio T3 Walloie TI-Nspire Le tout e u des mathématiques Suites umériques La loi de Verhulst Applicatio «Calculs» Applicatio «Graphiques» Applicatio «Tableur et listes» FR Formatios

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **

Plus en détail

UV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1

UV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1 UV SQ 0 Probabilités Statistiques UV SQ 0 Autome 006 Resposable d Rémy Garadel ( m.-el. remy.garadel@utbm.fr ) page SQ-0 Probabilités - Statistiques Bibliographie: Titre Auteur(s) Editios Localisatio Niveau

Plus en détail

Licence informatique - L3 Année 2012/2013. Conception d algorithmes et applications (LI325) COURS 1

Licence informatique - L3 Année 2012/2013. Conception d algorithmes et applications (LI325) COURS 1 Licece iformatique - L Aée 0/0 Coceptio d algorithmes et applicatios (LI) COURS Résumé. Ce cours est ue iitiatio à quelques grads pricipes algorithmiques (Diviser pour Réger, Programmatio Dyamique, Algorithmes

Plus en détail

La Méthode de Monte Carlo

La Méthode de Monte Carlo La Méthode de Mote Carlo Etiee Pardoux UMR 6632 Laboratoire d Aalyse, Topologie, Probabilités et EA 3781 Evolutio Biologique Uiversité de Provece Etiee Pardoux (LATP) Marseille, 13/09/2006 1 / 33 Cotets

Plus en détail

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9 Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios

Plus en détail

DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011

DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011 MÉTHODES NUMÉRIQUES POUR LE PRICING D OPTIONS DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011 Table des matières 1 Notatios et équatio de Black-Scholes 2 11 Notatios 2 12 Équatio de Black-Scholes

Plus en détail

Soit E un ensemble. On appelle classe de parties de E un sous-ensemble non vide de P(E).

Soit E un ensemble. On appelle classe de parties de E un sous-ensemble non vide de P(E). Chapitre 1 Tribus 1.1 Défiitios Soit E u esemble. O appelle classe de parties de E u sous-esemble o vide de P(E). Défiitio 1.1.1. Ue tribu A sur E est u sous-esemble o vide de P(E) tel que : (i) la partie

Plus en détail

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009 M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted

Plus en détail

20. Algorithmique & Mathématiques

20. Algorithmique & Mathématiques L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus

Plus en détail

PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION

PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION Des PROBABILITES à la STATISTIQUE - APPLICATIONS - Jea-Marie MARION 1 STATISTIQUE DESCRIPTIVE (décrire ue populatio à l aide de caractéristiques et graphiques) STATISTIQUE INFERENTIELLE (étedre des résultats

Plus en détail

Cours de Statistiques inférentielles

Cours de Statistiques inférentielles Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios

Plus en détail

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes. Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités

Plus en détail

ANNALES BACCALAURÉAT 2013 MATHÉMATIQUES TERMINALE S. 1. Suites

ANNALES BACCALAURÉAT 2013 MATHÉMATIQUES TERMINALE S. 1. Suites ANNALES BACCALAURÉAT 03 MATHÉMATIQUES TERMINALE S ANNALES 03 TERMINALE S Suites Foctios 9 3 Probabilités 4 Géométrie 9 8 5 Spécialité 34 6 Cocours 44 Suites - : Amérique du Nord 03, 5 poits, o spécialistes

Plus en détail

Statistique descriptive bidimensionnelle

Statistique descriptive bidimensionnelle 1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets

Plus en détail

SERIE D EXERCICES N 21 : FORMATION DES IMAGES DANS LES CONDITIONS DE GAUSS

SERIE D EXERCICES N 21 : FORMATION DES IMAGES DANS LES CONDITIONS DE GAUSS Nathalie Va de Wiele - Physique Sup PCSI - Lycée les Eucalyptus - Nice Série d exercices SERIE D EXERCICES N : FORMATION DES IMAGES DANS LES CONDITIONS DE GAUSS Propagatio rectilige. Exercice. Das le cas

Plus en détail

Séries réelles ou complexes

Séries réelles ou complexes 6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés

Plus en détail

Modes propres de vibration ; interprétation ondulatoire

Modes propres de vibration ; interprétation ondulatoire SPECIALITE TS ( PHYSIQUE ) : FICHE CURS 6 1/5 MDES PRPRES DE IBRATI Ce qu'il faut reteir Modes propres de vibratio ; iterprétatio odulatoire 1. Productio d u so à l aide d u istrumet de musique U istrumet

Plus en détail

Probabilités et Statistique

Probabilités et Statistique Probabilités et Statistique Jea-Michel JOLION Départemet Géie Idustriel 3ème Aée Versio électroique : http://rfv.isa-lyo.fr/ jolio/stat/poly.html May 26, 2006 INSA Lyo - Bât. J. Vere - 69621 Villeurbae

Plus en détail

Terminale S. 1. Divers

Terminale S. 1. Divers Termiale S 1 Divers Bézout 3 Quadratique 4 Divisibilité 5 Equatio diophatiee 6 Equatio diophatiee (, Caracas 01_04) 7 Base de umératio 8 Base de umératio 3 9 Somme des cubes 10 PGCD 11 Somme des diviseurs

Plus en détail

/RJLTXHERROpHQQH. Symbole (norme IEC 1 ) x

/RJLTXHERROpHQQH. Symbole (norme IEC 1 ) x /RJLTXHERROpHQQH I. Défiitios I.. Variable biaire O appelle variable biaire (ou logique), ue variable preat ses valeurs das l esemble {0, }. Eemple : état d u iterrupteur, d u bouto poussoir, la présece

Plus en détail

= e 1, où e est la base des logarithmes népériens ; la relation de récurrence : n I N, u n+1

= e 1, où e est la base des logarithmes népériens ; la relation de récurrence : n I N, u n+1 ERREURS D'ARRONDIS ET CALCULATRICES par Christia Vassard et Didier Trotoux L'idée de cet article ous a été ispirée par u exemple illustrat ue cotributio de Jea-Michel Muller ("Ordiateur e quête d'arithmétique"

Plus en détail

Chapitre 13. Statistiques et probabilités. Sommaire

Chapitre 13. Statistiques et probabilités. Sommaire 13 Chapitre Chapitre 13 Statistiques et probabilités Les statistiques et les probabilités occupet ue place importate das l eseigemet de certaies classes préparatoires Les pricipales foctios écessaires

Plus en détail

Apprentissage: cours 3a Méthodes par moyennage local

Apprentissage: cours 3a Méthodes par moyennage local Appretissage: cours 3a Méthodes par moyeage local Guillaume Oboziski 1 er mars 2012 Réferece : chap. 6 of [Hastie et al., 2009] ad chap. 6 of [Devroye et al., 1996]. Algorithmes par moyeage local O cosidère

Plus en détail

Modèle de pointage et correction des dérives

Modèle de pointage et correction des dérives Ges de la Lue Observatoire astroomique de Plougastel Tél : 0 98 40 69 73 http://www.gesdelalue.org Modèle de poitage et correctio des dérives 1. Présetatio du problème Le poitage d u astre par u télescope

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1. Exercice 7 [ 02253 ] [Correction] Soient (u n ) et (v n ) deux suites telles que

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1. Exercice 7 [ 02253 ] [Correction] Soient (u n ) et (v n ) deux suites telles que [http://mp.cpgedupuydelome.fr] édité le 6 octobre 05 Eocés Suites umériques Covergece de suites Exercice [ 047 ] [Correctio] Soiet u ) et v ) deux suites réelles covergeat vers l et l avec l < l. Motrer

Plus en détail

Chapitre 1: Calcul des intérêts

Chapitre 1: Calcul des intérêts Chapitre 1: Calcul des itérêts Ce chapitre vise à familiariser le lecteur avec les otios suivates : Itérêt Taux d itérêt omial Taux d itérêt périodique Valeur acquise Valeur actuelle Capitalisatio Le lecteur

Plus en détail

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil. Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la

Plus en détail

Questions Chapitre 2 L approche statistique de la réalité 1

Questions Chapitre 2 L approche statistique de la réalité 1 Questios Chapitre 2 L approche statistique de la réalité 1 Expliquer la otio de variable et défiir les différets types de variables Décrire les échelles de classificatio et trasformer les doées pour passer

Plus en détail

Arbres et dérivée d une fonction composée

Arbres et dérivée d une fonction composée Abes et déivée d ue foctio composée Nous allos voi ici commet l o peut epésete les déivées successives d ue foctio composée pa u esemble d abes fiis. f et g désigeot deux foctio idéfiimet déivables, et

Plus en détail

Comportement d'une suite

Comportement d'une suite Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer

Plus en détail

LES PROBABILITÉS POUR LES OPTIONS B, C ET D

LES PROBABILITÉS POUR LES OPTIONS B, C ET D LES PROBABILITÉS POUR LES OPTIONS B, C ET D PRÉPARATION À L AGRÉGATION EXTERNE DE MATHÉMATIQUES DE L UNIVERSITÉ RENNES 1 1 ANNÉE 2009/2010 1. ESPACE PROBABILISÉ - VARIABLE ALÉATOIRE 1.1 ESPACE PROBABILISÉ

Plus en détail

Analyse de structures de données et d algorithmes

Analyse de structures de données et d algorithmes Uiversité Paris 3 Istitut Galilée Master Math-Ifo Aalyse de structures de doées et d algorithmes Polycopié 2006-2007 Christia Lavault Table des matières Combiatoire et déombremet. Permutatios, arragemets

Plus en détail

BACCALAURÉAT TECHNOLOGIQUE STG. Spécialités : Mercatique, Comptabilité et Finance d Entreprise, Gestion des systèmes d information.

BACCALAURÉAT TECHNOLOGIQUE STG. Spécialités : Mercatique, Comptabilité et Finance d Entreprise, Gestion des systèmes d information. BACCALAURÉAT TECHNOLOGIQUE STG Spécialités : Mercatique, Comptabilité et Fiace d Etreprise, Gestio des systèmes d iformatio. SESSION 2012 ÉPREUVE DE MATHÉMATIQUES Mercatique, comptabilité et fiace d etreprise

Plus en détail

Etude de la fonction ζ de Riemann

Etude de la fonction ζ de Riemann Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.

Plus en détail

Chapitre 16 : Espaces vectoriels

Chapitre 16 : Espaces vectoriels PCSI Préparatio des Khôlles -4 Chapitre 6 : Espaces vectoriels Exercice type Soit E=R[X] et F ={P E, P(X)=XP (X)+P()}, motrer que F est u sous-espace vectoriel de E. : O a bie F E. Si P =est le polyôme

Plus en détail

Correction EDHEC 2007 Voie scienti que

Correction EDHEC 2007 Voie scienti que EDHE 7 ES Exercice Page orrectio EDHE 7 Voie scieti que La correctio comporte 4 pages. Exercice. Pour tout etier o ul, la foctio x 7! e x x est cotiue sur R e tat que quotiet (dot le déomiateur e s aule

Plus en détail

Ce type de compresseur est aussi appelée compresseur volumetrique.

Ce type de compresseur est aussi appelée compresseur volumetrique. Chapitre 4 Compresseurs Buts 1. Savoir que das ce cas if faut se redre compte qu il y a des effets thermique 2. Savoir qu il y a ue limite á l augmetatio de la pressio de gaz 3. Savoir quelles istabilités

Plus en détail

Exercices de mathématiques

Exercices de mathématiques MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris

Plus en détail

Le montant des intérêts acquis est la différence entre la valeur acquise et le capital placé :

Le montant des intérêts acquis est la différence entre la valeur acquise et le capital placé : http://maths-scieces.fr OPÉRATIONS FINANIÈRES A INTÉRÊTS OMPOSÉS I) Itérêts et valeur acquise Défiitio U capital est placé à itérêts composés lorsque le motat des itérêts produits à la fi de chaque période

Plus en détail

Chap. 5 : Les intérêts (Les calculs financiers)

Chap. 5 : Les intérêts (Les calculs financiers) Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie

Plus en détail