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

Save this PDF as:
 WORD  PNG  TXT  JPG

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

On peut représenter la situation par un arbre : On a donc p(b 1 B 2)= p(b 1) p (B ) = 3 4 = 3.

On peut représenter la situation par un arbre : On a donc p(b 1 B 2)= p(b 1) p (B ) = 3 4 = 3. T ale S Correctio Exercices type bac de Probabilités. Mars Exercice : Ue ure cotiet au départ 0 boules blaches et 0 boules oires idiscerables au toucher. O tire au hasard ue boule de l ure : Si la boule

Plus en détail

Mots de longueur donnée à base de P lettres, et fonction génératrice

Mots de longueur donnée à base de P lettres, et fonction génératrice Mots de logueur doée à base de lettres, et foctio géératrice Cosidéros les mots de logueur à base de lettres, avec etier positif. ) Combie existe-t-il de tels mots? La première lettre du mot est l ue des

Plus en détail

VARIABLES ALEATOIRES

VARIABLES ALEATOIRES VARIABLES ALEATOIRES TABLE DES MATIÈRES. Loi de probabilité.. Exemple... Calcul de probabilités sur u uivers Ω... Variable aléatoire à valeurs réelles...3. Probabilité image défiie par ue variable aléatoire..4.

Plus en détail

Fluctuation et estimation

Fluctuation et estimation Fluctuatio et estimatio Table des matières I Idetificatio de la situatio........................................ II Échatilloage, itervalle de fluctuatio asymptotique........................ II. Itervalle

Plus en détail

Estimations et intervalles de confiance

Estimations et intervalles de confiance Estimatios et itervalles de cofiace Estimatios et itervalles de cofiace Résumé Cette vigette itroduit la otio d estimateur et ses propriétés : covergece, biais, erreur quadratique, avat d aborder l estimatio

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

MA401 : Probabilités TD3

MA401 : Probabilités TD3 MA : Probabilités Exercice Ue compagie aériee étudie la réservatio sur l u de ses vols. Ue place doée est libre le jour d ouverture de la réservatio et so état évolue chaque jour jusqu à la fermeture de

Plus en détail

Questions pour un champion en ligne

Questions pour un champion en ligne Questios pour u champio e lige Le jeu télévisé QPUC préseté sur FR3 et aimé par Julie Lepers existe aussi e variate «e lige». U jeu «e lige» se déroule aisi : Six iterautes disputet ue première mache dite

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

Introduction aux tests statistiques

Introduction aux tests statistiques Itroductio aux tests statistiques Philippe Boeau 27 septembre 2006 Chapitre 1 Élémets de probabilités Exercice 1 O ote E l esemble des etiers aturels iférieurs ou égaux à 12 et A (respectivemet B et C)

Plus en détail

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2001

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2001 Exercice 1 : ( 12 poits ) Les parties A et B peuvet être traitées idépedammet l ue de l autre. O se propose d étudier l évolutio e foctio du temps des températures d u bai et d u solide plogé das ce bai.

Plus en détail

PROBABILITES EXERCICES CORRIGES

PROBABILITES EXERCICES CORRIGES PROBABILITES EXERCICES CORRIGES Vocabulaire des probabilités Exercice. Das chacue de situatios décrites ci-dessous, éocer l évéemet cotraire de l évéemet doé. ) Das ue classe, o choisit deux élèves au

Plus en détail

Estimation. Exemple Les statistiques des notes obtenues en mathématiques au BTS OL en France pour l année 2014 sont :

Estimation. Exemple Les statistiques des notes obtenues en mathématiques au BTS OL en France pour l année 2014 sont : Estimatio Objectifs Estimer poctuellemet ue proportio, ue moyee ou u écart type d ue populatio à l aide de la calculatrice ou d u logiciel, à partir d u échatillo Détermier u itervalle de cofiace à u iveau

Plus en détail

STATISTIQUE : ESTIMATION

STATISTIQUE : ESTIMATION STATISTIQUE : ESTIMATION Préparatio à l Agrégatio Bordeaux Aée 202-203 Jea-Jacques Ruch Table des Matières Chapitre I. Estimatio poctuelle 5. Défiitios 5 2. Critères de comparaiso d estimateurs 6 3. Exemples

Plus en détail

Agrégation externe de mathématiques, session 2008 Épreuve de modélisation, option A : Probabilités et Statistiques

Agrégation externe de mathématiques, session 2008 Épreuve de modélisation, option A : Probabilités et Statistiques Agrégatio extere de mathématiques, sessio 2008 Épreuve de modélisatio, optio (public 2008) Mots clefs : Loi des grads ombres, espace des polyômes, estimatio o-paramétrique Il est rappelé que le jury exige

Plus en détail

SESSION DE 2004 CA/PLP

SESSION DE 2004 CA/PLP SESSION DE 4 CA/PLP CONCOURS EXTERNE Sectio : MATHÉMATIQUES SCIENCES PHYSIQUES COMPOSITION DE MATHÉMATIQUES Durée : 4 heures L usage des calculatrices de poche est autorisø (coformømet au directives de

Plus en détail

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

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante : " tirer p éléments de E ".

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante :  tirer p éléments de E . Cours de termiales Probabilités sur u esemble fii Mr ABIDI F I- Rappel I- Types de tirages : Soit u esemble fii E coteat élémets O cosidère l'épreuve suivate : " tirer p élémets de E " Type de tirages

Plus en détail

Corrigé du baccalauréat Polynésie 16 juin 2014 STI2D STL spécialité SPCL

Corrigé du baccalauréat Polynésie 16 juin 2014 STI2D STL spécialité SPCL Corrigé du baccalauréat Polyésie 6 jui 4 STID STL spécialité SPCL EXERCICE 4 poits Cet eercice est u questioaire à choi multiples. Pour chacue des questios suivates, ue seule des quatre réposes proposées

Plus en détail

Séries entières. Chap. 09 : cours complet.

Séries entières. Chap. 09 : cours complet. Séries etières Chap 9 : cours complet Rayo de covergece et somme d ue série etière Défiitio : série etière réelle ou complee Théorème : lemme d Abel Théorème : itervalle des valeurs positives où ue série

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

Intervalles de fluctuation et de confiance

Intervalles de fluctuation et de confiance Chapitre 9 Itervalles de fluctuatio et de cofiace Sommaire 9.1 Itervalle de fluctuatio................................... 157 9.1.1 Quelques rappels..................................... 157 9.1.2 Itervalle

Plus en détail

1. Probabilités sur les ensembles finis

1. Probabilités sur les ensembles finis . Probabilités sur les esembles fiis.. RAPPELS ET COMPLEMENTS. VOCABULAIRE DES EVENEMENTS Das ue expériece aléatoire, l'uivers Ω est l'esemble des résultats possibles. U évéemet est ue partie de l'uivers.

Plus en détail

Intervalle de fluctuation des fréquences. Estimation CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES. fréquence F n. fréquence obtenue f.

Intervalle de fluctuation des fréquences. Estimation CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES. fréquence F n. fréquence obtenue f. Chapitre 14 Itervalle de fluctuatio des fréqueces. Estimatio Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Itervalle de fluctuatio Estimatio Itervalle de cofiace (*). Niveau

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

Codes détecteurs et correcteurs d erreurs

Codes détecteurs et correcteurs d erreurs Codes détecteurs et correcteurs d erreurs Lorsque des doées umériques sot stockées ou trasmises, des perturbatios (par exemple électromagétiques) peuvet les edommager. Les codes détecteurs et correcteurs

Plus en détail

1 Introduction. 2 Probabilités : Variables Aléatoires Continues. 3 Estimation. 4 Tests. 5 Régression

1 Introduction. 2 Probabilités : Variables Aléatoires Continues. 3 Estimation. 4 Tests. 5 Régression Pla du cours Méthodes de statistique iféretielle. A. Philippe Laboratoire de mathématiques Jea Leray Uiversité de Nates Ae.Philippe@uiv-ates.fr 1 Itroductio 2 Probabilités : Variables Aléatoires Cotiues

Plus en détail

Racine nième Corrigés d exercices

Racine nième Corrigés d exercices Racie ième Corrigés d eercices Page 9 : N 8, 8, 8, 86, 88, 89, 9, 9, 9, 97 Page 6 : N, Page 6 : N Page 67 : N 8 Page 6 : N N 8 page 9 6 6 6 6 6 ( ) = = = = = = = = ( ) = = = = = = ( ) 8 = 8 = = = = = =

Plus en détail

Concours de l Iscae. Épreuve Commune de Mathématiques (2015)

Concours de l Iscae. Épreuve Commune de Mathématiques (2015) Mohiieddie Beayad Cocours de l Iscae Épreuve Commue de Mathématiques (5) Voici l éocé de l épreuve commue de Mathématiques du cocours d etrée à l ISCAE de l aée 5, aisi que l itégralité du corrigé. Les

Plus en détail

Promenades aléatoires : vers les chaînes de Markov

Promenades aléatoires : vers les chaînes de Markov AME Dossier : Matrices et suites 545 romeades aléatoires : vers les chaîes de Markov ierre Griho (*) Cet article propose ue mise e perspective de la otio de promeade ou de marche aléatoire itroduite das

Plus en détail

Lucyna FIRLEJ IUT Mesures Physiques Statistiques C1

Lucyna FIRLEJ IUT Mesures Physiques Statistiques C1 1 Statistique iferetielle. Relatios Iteratioales Lucya Firlej Pl. E.Bataillo, Bat.11, cc.06 34095 Motpellier cedex 5 Frace lucya.firlej@umotpellier.fr S3. Statistics. 30 h d eseigemet: 10 cours, 10 TD,

Plus en détail

Qu est-ce qu un bon énoncé de bac? Analyse de l exercice de spécialité de TS de Pondichéry 2013 Jacques Lubczanski

Qu est-ce qu un bon énoncé de bac? Analyse de l exercice de spécialité de TS de Pondichéry 2013 Jacques Lubczanski Dossier : Actualité de l Aalyse e Lycée 447 Qu est-ce qu u bo éocé de bac? Aalyse de l exercice de spécialité de TS de Podichéry 2013 Jacques Lubczaski «Podichéry est tombé!» : cela ressemble à l aoce

Plus en détail

1 Programme de l agrégation interne

1 Programme de l agrégation interne Séries umériques Programme de l agrégatio itere Partie 0b : Séries de ombres réels ou complexes Séries à termes positifs La série coverge si et seulemet si la suite des sommes partielles est borée Étude

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

FLUCTUATION ET ESTIMATION

FLUCTUATION ET ESTIMATION 1 FLUCTUATION ET ESTIMATION Le mathématicie d'origie russe Jerzy Neyma (1894 ; 1981), ci-cotre, pose les fodemets d'ue approche ouvelle des statistiques. Avec l'aglais Ego Pearso, il développe la théorie

Plus en détail

PROBABILITES EXERCICES CORRIGES

PROBABILITES EXERCICES CORRIGES PROBABILITES EXERCICES CORRIGES Vocabulaire des probabilités Exercice. Das chacue de situatios décrites ci-dessous, éocer l évéemet cotraire de l évéemet doé. ) Das ue classe, o choisit deux élèves au

Plus en détail

Échantillonnage. Pour reprendre contact Les réponses exactes sont : Activité 1. Activité 2. 1 Réponse c. 2 Réponse a. Réponse c. 3 Réponse a.

Échantillonnage. Pour reprendre contact Les réponses exactes sont : Activité 1. Activité 2. 1 Réponse c. 2 Réponse a. Réponse c. 3 Réponse a. Échatilloage 9 Pour repredre cotact Les réposes exactes sot : Répose c. Répose a. Répose c. 3 Répose a. 4 Répose b. Répose c. Activité. La populatio étudiée est la productio d automobiles. Le caractère

Plus en détail

Dénombrement. Le nombre de p-listes d éléments distincts d un ensemble à n éléments est Le nombre d injections de E p dans F n : (n p) :

Dénombrement. Le nombre de p-listes d éléments distincts d un ensemble à n éléments est Le nombre d injections de E p dans F n : (n p) : Filière E Deis Pasquigo Résumé du cours : 1. Esembles fiis Déombremet Défiitios E et F sot équiotets si il existe ue bijectio de E sur F. E est déombrable si E est équiotet à N. E est u esemble fii si

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

Développement d une fonction en série entière. Exemples et applications

Développement d une fonction en série entière. Exemples et applications Développemet d ue foctio e série etière Exemples et applicatios Das ce chapitre, K désigera R ou C B(; R) désigera la boule ouverte de cetre et de rayo R > 1 Gééralités Défiitio 1 Soit f ue applicatio

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

TD1. Dénombrements, opérations sur les ensembles.

TD1. Dénombrements, opérations sur les ensembles. Uiversité Pierre & Marie Curie Licece de Mathématiques L3 UE LM345 Probabilités élémetaires Aée 2014 15 TD1. Déombremets, opératios sur les esembles. 1. Combie de faços y a-t-il de classer 10 persoes à

Plus en détail

Seconde année - Semestre 3 PROBABILITÉS

Seconde année - Semestre 3 PROBABILITÉS 1 UNIVERSITÉ DE CERGY Aée 2012-2013 LICENCE d ÉCONOMIE et GESTION Secode aée - Semestre 3 PROBABILITÉS Feuille d exercices N 3 : Variables aléatoires - Lois discrètes 1. Calculez 3 2 + 2 5 Exercice I (

Plus en détail

E(X i ) par linéarité de l espérance.

E(X i ) par linéarité de l espérance. Statistiques appliquées. L3 Iterrogatio Questios de cours. 3 poits 1) Eocer le théorème cetral limite (1 pt). Si (X ) est ue suite de v.a. idépedates et de même loi, admettat des momets d ordre u et deux

Plus en détail

Feuille 2 : dérivabilité, théorème de Rolle et des accroissements finis, étude des variations

Feuille 2 : dérivabilité, théorème de Rolle et des accroissements finis, étude des variations UPMC 1M001 Aalyse et algèbre pour les scieces 013-014 Feuille : dérivabilité, théorème de Rolle et des accroissemets fiis, étude des variatios Les eercices sas ( ) sot des applicatios directes du cours.

Plus en détail

Séquence 9. Lois normales, intervalle de fluctuation, estimation. Sommaire

Séquence 9. Lois normales, intervalle de fluctuation, estimation. Sommaire Séquece 9 Lois ormales, itervalle de fluctuatio, estimatio Sommaire 1. Prérequis. Lois ormales 3. Itervalles de fluctuatio 4. Estimatio 5. Sythèse de la séquece Séquece 9 MA0 1 Ced - Académie e lige Das

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

Cours de Mathématiques. Intégrale de Lebesgue et Probabilités H. DOSS

Cours de Mathématiques. Intégrale de Lebesgue et Probabilités H. DOSS Uiversité Paris Dauphie Départemet MIDO Cours de Mathématiques Itégrale de Lebesgue et Probabilités H. DOSS Table des matières 1 Espaces de probabilité et Itégratio 1 1.1 Présetatio..............................

Plus en détail

Exercices sur le chapitre «Variables aléatoires»

Exercices sur le chapitre «Variables aléatoires» Araud de Sait Julie - MPSI Lycée La Merci 2015-2016 1 Pour démarrer Exercices sur le chapitre «Variables aléatoires» Exercice 1 (Recostitutio de paires) O fixe deux etiers aturels 1 r. U placard cotiet

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

Master 1ère année spécialité IMIS et Mathématiques Contrôle continu de "Processus Stochastiques"

Master 1ère année spécialité IMIS et Mathématiques Contrôle continu de Processus Stochastiques Master ère aée spécialité IMIS et Mathématiques Cotrôle cotiu de "Processus Stochastiques" 8 octobre 00 - Durée h Calculatrices et documets autorisés Exercice Jacques va tous les jours à so travail e emprutat

Plus en détail

Chapitre 1 : Les notions de base

Chapitre 1 : Les notions de base Chapitre : Les otios de base Itroductio I Comparer des gradeurs A) Les pourcetages B) Taux de variatio, coefficiet multiplicateur, idice C) Importace du ses de la comparaiso ) Raisoemet sur les taux de

Plus en détail

Feuille d exercices 5

Feuille d exercices 5 Mathématiques Physique S3, 205/206 Uiversité Blaise Pascal Feuille d exercices 5 Ex.. Tracer le graphe des foctios périodiques suivates, doer leur développemet e série de Fourier et discuter la covergece

Plus en détail

Chapitre 3 Détermination de la taille de l'échantillon

Chapitre 3 Détermination de la taille de l'échantillon Chapitre 3 Détermiatio de la taille de l'échatillo Lorsqu o prélève u échatillo pour estimer u paramètre, o court toujours le risque de découvrir u peu trop tard que l'échatillo prélevé est trop petit

Plus en détail

Séquence 1. Les suites numériques. Sommaire. 1. Pré-requis 2. Le raisonnement par récurrence 3. Notions de limites 4. Synthèse

Séquence 1. Les suites numériques. Sommaire. 1. Pré-requis 2. Le raisonnement par récurrence 3. Notions de limites 4. Synthèse Séquece Les suites umériques Sommaire Pré-requis Le raisoemet par récurrece 3 Notios de limites 4 Sythèse Das cette séquece, il s agit d ue part d approfodir la otio de suites umériques permettat la modélisatio

Plus en détail

Probabilités et Statistiques MATH-F-315. Simone GUTT

Probabilités et Statistiques MATH-F-315. Simone GUTT Probabilités et Statistiques MATH-F-315 Simoe GUTT 2012 Das la vie, ous sommes cotiuellemet cofrotés à des collectios de faits ou doées. Les statistiques formet ue brache scietifique qui fourit des méthodes

Plus en détail

Exercices d oraux de la banque CCP Corrigés BANQUE PROBABILITÉS

Exercices d oraux de la banque CCP Corrigés BANQUE PROBABILITÉS Exercices d oraux de la baque CCP 204-20 - Corrigés BANQUE PROBABILITÉS EXERCICE 96 (a La variable aléatoire X est régie par ue loi biomiale E effet, expérieces idetiques et idépedates (car les tirages

Plus en détail

Temps moyen de lecture par page (exercice compris) : 10 minutes

Temps moyen de lecture par page (exercice compris) : 10 minutes MOTS BINAIRES Mots biaires de logueur 2 Rappel : le logarithme e base b 3 Le choix de la logueur des mots biaires 4 Calculs avec les mots de logueur 5 Le poids d u mot biaire de logueur 6 La distace de

Plus en détail

Terminale S (2014-2015) Suites numériques

Terminale S (2014-2015) Suites numériques Termiale S (04-05) Suites umériques Raisoemet par récurrece. Itroductio E Mathématiques, u certai ombre de propriétés dépedet d u etier aturel. Par exemple, la ( + ) somme des etiers aturels de à est égale

Plus en détail

CORRECTION DU BAC BLANC 2

CORRECTION DU BAC BLANC 2 CORRCTION DU BAC BLANC 2 XRCIC 1 (6 poits) Baccalauréat ST Mercatique Podichéry - 2010 Deux tableaux sot doés e aexe : le premier doe l évolutio du prix du mètre carré das l immobilier résidetiel acie

Plus en détail

Automates 1 Présentation

Automates 1 Présentation Automates Présetatio Présetatio d u automate 2 Ue maière de désiger l automate de l exemple 3 Défiitio géérale 4 U exemple d automate 5 Mot costruit sur l alphabet C 6 L esemble de tous les mots das u

Plus en détail

Probabilités, MATH 424 Feuille de travaux dirigés 2. Solutions.

Probabilités, MATH 424 Feuille de travaux dirigés 2. Solutions. Probabilités, MATH 44 Feuille de travaux dirigés. Solutios. 1 Exercices Exercice 1. O jette trois dés o pipés. 1. Calculer la probabilité d obteir au mois u 1.. Que vaut la probabilité d obteir au mois

Plus en détail

CTU, Licence de Mathématiques Statistique Inférentielle. Jean-Yves DAUXOIS. Université de Franche-Comté

CTU, Licence de Mathématiques Statistique Inférentielle. Jean-Yves DAUXOIS. Université de Franche-Comté CTU, Licece de Mathématiques Statistique Iféretielle Jea-Yves DAUXOIS Uiversité de Frache-Comté Aée scolaire 2011-2012 Ce polycopié cotiet le cours, les sujets d exercice et leurs corrigés aisi que les

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

[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

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

Correction du devoir surveillé de mathématiques n o 5

Correction du devoir surveillé de mathématiques n o 5 Correctio du devoir surveillé de mathématiques o 5 Exercice 1 1. Soit g la foctio défiie sur R par g(x) = (x 1)e x. (a) Détermier les ites de g e et +. Limite e. O a ue forme idétermiée. E développat,

Plus en détail

Exo7. Applications linéaires continues, normes matricielles. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.

Exo7. Applications linéaires continues, normes matricielles. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france. Exo7 Applicatios liéaires cotiues, ormes matricielles Exercices de Jea-Louis Rouget. Retrouver aussi cette fiche sur www.maths-frace.fr Exercice * * très facile ** facile *** difficulté moyee **** difficile

Plus en détail

Classes de première générale et technologique STATISTIQUES ET PROBABILITÉS

Classes de première générale et technologique STATISTIQUES ET PROBABILITÉS Classes de première géérale et techologique STATISTIQUES ET PROBABILITÉS Sommaire I. Itroductio...4 II. Statistique descriptive, aalyse de doées...4 III. Variables aléatoires discrètes...6 IV. Utilisatio

Plus en détail

Chapitre 3: Réfraction de la lumière

Chapitre 3: Réfraction de la lumière 2 e B et C 3 Réfractio de la lumière 16 Chapitre 3: Réfractio de la lumière 1. Expériece 1 : tour de magie avec ue pièce de moaie a) Dispositio Autour d'ue petite boîte coteat ue pièce de 1 de ombreux

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

TS Intervalle de fluctuation et estimation Cours

TS Intervalle de fluctuation et estimation Cours Aée 2013/2014 TS Itervalle de fluctuatio et estimatio Cours est u etier aturel o ul et p est u réel de l itervalle 0 ; 1. I Itervalle de fluctuatio Cotexte : Das ue populatio, la proportio d idividus présetat

Plus en détail

Informatique TP2 : Calcul numérique d une intégrale CPP 1A

Informatique TP2 : Calcul numérique d une intégrale CPP 1A Iformatique TP : Calcul umérique d ue itégrale CPP 1A Romai Casati, Wafa Johal, Frederic Deveray, Matthieu Moy Avril - jui 014 1 Zéro de foctio O doe le code suivat (vu e cours), qui permet de calculer

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

COURS DE STATISTIQUES INFERENTIELLES Licence d économie et de gestion

COURS DE STATISTIQUES INFERENTIELLES Licence d économie et de gestion COURS DE STATISTIQUES INFERENTIELLES Licece d écoomie et de gestio Laurece GRAMMONT Laurece.Grammot@uiv-st-etiee.fr http://www.uiv-st-etiee.fr/maths/cvlaurece.html September 19, 003 Cotets 1 Rappels 5

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

Introduction to Econometrics

Introduction to Econometrics MPRA Muich Persoal RePEc Archive Itroductio to Ecoometrics Moussa Keita September 015 Olie at https://mpra.ub.ui-mueche.de/66840/ MPRA Paper No. 66840, posted. September 015 04:1 UTC INTRODUCTION A L ECONOMETRIE

Plus en détail

EPREUVE DE RAISONNEMENT LOGIQUE ET MATHEMATIQUE

EPREUVE DE RAISONNEMENT LOGIQUE ET MATHEMATIQUE EPREUVE DE RAISONNEMENT LOGIQUE ET MATHEMATIQUE Nombre de pages de l épreuve Durée de l épreuve 0 pages 3h00 Compte teu du fait qu il s agissait d u cocours d etraiemet, cette épreuve à été prise sur le

Plus en détail

Éléments de correction de la feuille d exercices # 3

Éléments de correction de la feuille d exercices # 3 Uiversité de Rees L SVE Probabilités et statistiques aée 25-26 Élémets de correctio de la feuille d exercices # 3 Exercice Exemple de loi discrète Soit X ue variable aléatoire discrète preat les valeurs

Plus en détail

Sciences Po Option Mathématiques

Sciences Po Option Mathématiques Scieces Po Optio Mathématiques Epreue 3 Vrai-Fau Questio FAUX La suite ( u ) état géométrique de raiso différete de, o a classiquemet, pour tout etier aturel : où q est la raiso de la suite ( u ) Ici,

Plus en détail

Chapitre 4. Lois de Probabilité. Sommaire. 1. Introduction. 4. 2. Lois discrètes..4

Chapitre 4. Lois de Probabilité. Sommaire. 1. Introduction. 4. 2. Lois discrètes..4 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) Chapitre 4 Lois de Probabilité Sommaire. Itroductio. 4. Lois discrètes..4.. Loi uiforme..4... Défiitio...4... Espérace et variace..5..

Plus en détail

Université de Picardie Jules Verne 2006-2007 Faculté de Mathématiques et d Informatique

Université de Picardie Jules Verne 2006-2007 Faculté de Mathématiques et d Informatique Uiversité de Picardie Jules Vere 006-007 Faculté de Mathématiques et d Iformatique Licece metio Mathématiques - Deuxième aée - Semestre 4 Probabilités Elémetaires Exame du ludi 4 jui 007 Durée h00 Documet

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

Application du logiciel Excel

Application du logiciel Excel Applicatio du logiciel Ecel Utilisatio du Solver du logiciel Ecel Table de matiers Lacemet du logiciel... Optimisatios... Programmatio liéaire... Problème du trasport... 8 Problème de programmatio quadratique...

Plus en détail

Notations Soit I un intervalle de R. Soit f une fonction définie sur I, à valeurs dans R. Notons représentative de f dans un repère du plan.

Notations Soit I un intervalle de R. Soit f une fonction définie sur I, à valeurs dans R. Notons représentative de f dans un repère du plan. Foctio réciproque d'ue octio cotiue, d'ue octio dérivable FNCTIN RECIPRQUE D'UNE FNCTIN CNTINUE, D'UNE FNCTIN DERIVABLE EXEMPLES N SE LIMITERA AUX FNCTINS NUMERIQUES DEFINIES SUR UN INTERVALLE DE R Notatios

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

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

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

I Enoncés 1 1 EML III 2007 2 2 EML III 2006 3 3 EML III 1997 4 4 ESCP III 2003 5 5 ESCP III 2001 7 6 ESCP III 1999 8 7 ESCP III 1998 9

I Enoncés 1 1 EML III 2007 2 2 EML III 2006 3 3 EML III 1997 4 4 ESCP III 2003 5 5 ESCP III 2001 7 6 ESCP III 1999 8 7 ESCP III 1998 9 ECE R É Page /68 Table des matières I Eocés EML III 7 EML III 6 3 3 EML III 997 4 4 ESCP III 3 5 5 ESCP III 7 6 ESCP III 999 8 7 ESCP III 998 9 8 ESCP III 997 9 HEC III HEC III 996 3 HEC III 99 4 EDHEC

Plus en détail

Cours VII. Tests de randomisation - Tests de contingence P. Coquillard 2015

Cours VII. Tests de randomisation - Tests de contingence P. Coquillard 2015 1 TESTS DE RANDOMISATION Cours VII. Tests de radomisatio - Tests de cotigece P. Couillard 2015 Das ue majorité de cas e biologie o cosidèrera certaies hyothèses comme des alteratives à l hyothèse ulle.

Plus en détail

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6 Corrigés TD Chapitre : Variables aléatoires sur u uivers fii Exercice : Soit X la VAR défiie par le tableau suivat : x i - - 0 p 6 4 6 4 6 i O ote Y = X ) Détermier la loi cooite de X et Y ) Détermier

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

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

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

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

DÉTERMINATION DE L INDICE DE RÉFRACTION D UN LIQUIDE

DÉTERMINATION DE L INDICE DE RÉFRACTION D UN LIQUIDE TP O. Page /5 BACCALAURÉAT PROFESSIONNEL ÉPREUVE DE TRAVAUX PRATIQUES DE SCIENCES PHYSIQUES SUJET O. Ce documet compred : - ue fiche descriptive du sujet destiée à l examiateur : Page /5 - ue fiche descriptive

Plus en détail

Estimation par vraisemblance

Estimation par vraisemblance Chapitre 4 Estimatio par vraisemblace Le procédé de costructio des estimateurs par isertio a été itroduit das le chapitre 2. L objectif de ce chapitre est d étudier ue autre méthode de costructio, basée

Plus en détail

Probabilités générales

Probabilités générales Chapitre 4 termiale s Probabilités géérales Les probabilités (rappels) : ) Quelques otios de vocabulaire : Nous allos étudier selo quelle mesure u fait proveat du hasard peut être prévisible a) Ue expériece

Plus en détail