VARIABLES ALEATOIRES

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "VARIABLES ALEATOIRES"

Transcription

1 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. Loi de probabilité ou distributio d ue variable aléatoire Foctio de répartitio 3.. Autres exemples 3... Exemple de variable aléatoire discrète 3... Exemple de variable aléatoire discrète, preat ue ifiité de valeurs Exemple de variable aléatoire cotiue 3. Espérace mathématique, variace, écart-type 5.. Espérace mathématique 5... Cas d ue variable aléatoire discrète 5... Cas d ue variable aléatoire cotiue Propriété de l espérace 6.. Variace, écart-type 6 3. Lois usuelles Loi de Berouilli Loi biomiale Défiitio Exemple Exemple Loi de Poisso Défiitio Exemple Approximatio d ue loi biomiale par ue loi de Poisso Loi ormale Défiitio Loi ormale cetrée réduite N (,) Approximatio d ue loi biomiale par ue loi ormale 4. Somme de deux variables aléatoires 4.. Idépedace de deux variables aléatoires 4.. Espérace mathématique d ue somme de variables aléatoires 4.3. Variace de la somme de deux variables aléatoires idépedates Somme de deux variables aléatoires suivat des lois ormales Lois ormales Lois de Poisso 5. Echatilloage 5.. Loi faible des grads ombres 5.. Théorème de la limite cetrée 5.3. Distributio d échatilloage asymptotique de la moyee Le problème de l échatilloage Distributio d échatilloage asymptotique de la moyee Distributio d échatilloage asymptotique de la fréquece 6. Estimatio Estimatio poctuelle Moyee Fréquece Variace, écart-type Estimatio par itervalle de cofiace Moyee 3

2 VARIABLES ALEATOIRES 6... Fréquece 4 7. Correctio des exercices Correctio de l exercice Correctio de l exercice Correctio de l exercice Correctio de l exercice Correctio de l exercice Correctio de l exercice Correctio de l exercice Correctio de l exercice Correctio de l exercice Exemple.. LOI DE PROBABILITÉ... Calcul de probabilités sur u uivers Ω. Tiros au hasard ue boule d ue ure coteat ue boule rouge R, ue boule verte V et ue boule bleue B. Remettos-la das l ure et effectuos u secod tirage d ue boule, chacue de ces trois boules ayat, das ce cas aussi, la même probabilité d être choisie. O choisit comme uivers Ω l esemble de tous les couples dot le premier élémet est la boule obteue lors du premier tirage, et comme deuxième élémet celle obteue lors du deuxième tirage. O a : Ω = {(R,R),(V,R),(B,R),(R,V ),(V,V ),(B,V ),(R,B),(V,B),(B,B)} Ces euf évèemets élémetaires sot équiprobables. La probabilité de l u d etre eux est doc égale à 9. Exercice. Détermier la probabilité de tirer au mois ue boule verte.... Variable aléatoire à valeurs réelles. O complète maiteat la situatio précédete par la règle du jeu suivate : Pour chaque boule rouge tirée, o gage 6 euros. Pour chaque boule verte tirée, o gage euro. Pour chaque boule bleue tirée, o perd 4 euros. Soit X l applicatio de Ω das R qui, à tout tirage de deux boules associe le gai aisi obteu. Ue perte est cosidérée comme u gai égatif. O a par exemple : X(R,R) = X(V,B) = X(B,V ) = 3 Défiitio. X est ue variable aléatoire à valeurs réelles. Elle est défiie sur Ω, à valeurs das R, et à tout tirage ω, elle associe X(w), égal au gai obteu avec ce tirage. X(Ω) = { 8, 3,,7,} est l image de Ω par X. O remarquera qu il est possible de défiir plusieurs variables aléatoires sur u même esemble Ω...3. Probabilité image défiie par ue variable aléatoire. U joueur préfère maiteat, avat de jouer, coaître la probabilité de gager euros plutôt que celle de tirer ue boule de telle couleur. O va doc costruire, à partir de la probabilité P défiie sur Ω, ue ouvelle probabilité P défiie sur X(Ω) = { 8, 3,,7,} Pour toute partie E de X(Ω), o veut défiir ue probabilité P (E) à l aide de P et de X. Par exemple, le sigleto {} de X(Ω) est l image par X de la partie {(B,R),(V,V ),(R,B)} de Ω. Comme P{(B,R),(V,V ),(R,B)} = 3 9 = 3 o est coduit à poser P ({}) = 3. De même, l évèemet G avoir u gai positif est l image par X de la partie {(R,R),(V,R),(R,V ),(B,R),(V,V ),(R,B)} et doc o a P (G) = 6 9 = 3. D ue maière géérale, soit P l applicatio qui, à toute partie A de X(Ω) associe le ombre P (A) = P({w Ω;X(ω) A}) O peut démotrer que P vérifie les axiomes d ue probabilité défiie sur X(Ω), c est à dire que P (X(Ω)) = Pour toutes parties A et B de X(Ω) disjoites, o a P (A B) = P (A) + P (B).

3 VARIABLES ALEATOIRES 3 Défiitio. P est la probabilité image de la probabilité P par la variable aléatoire X. O coviedra d utiliser la otatio suivate : P ({}) = P({w Ω;X(ω) = }) = P(X = ) D ue maière géérale, pour tout ombre k de X(Ω), o ote P(X = k) le ombre P ({k}) = P({w Ω;X(ω) = k}) = P(X = k)..4. Loi de probabilité ou distributio d ue variable aléatoire. Défiitio 3. La loi de probabilité ou distributio de la variable aléatoire X est la foctio : X(Ω) [,] k P(X = k) Pour l exemple précédet, la loi de probabilité est doée par le tableau suivat : k P(X = k) Foctio de répartitio. Pour tout ombre réel x, o ote P(X x) le ombre réel : Par exemple, pour l exemple précédet, o aurait P({w Ω;X(ω) x}) P(X ) = P({w Ω;X(ω) = 3 ou X(ω) = 8}) = P(X = 3) + P(X = 8) = 3 Défiitio 4. La foctio de répartitio de la variable aléatoire X est la foctio F de R das [,] défiie par : x F(x) = P(X x) La foctio F se représete par ue foctio e escalier, croissate sur R... Autres exemples.... Exemple de variable aléatoire discrète. Soit Y la variable aléatoire mesurat le ombre k de voitures euves vedues e u jour par u cocessioaire d ue certaie marque. Supposos que la loi de probabilité de Y soit la suivate : k P(Y = k),,8,,3,4 Exercice. Détermier P(Y = 5), puis costruire la courbe représetat la foctio de répartio de cette variable aléatoire.... Exemple de variable aléatoire discrète, preat ue ifiité de valeurs. Soit X la variable aléatoire mesurat le ombre de lacers d ue pièce de moaie écessaires pour obteir face pour la première fois, e supposat qu à chaque lacer pile et face sot équiprobables. X peut predre pour valeur tout ombre etier k supérieur ou égal à. L évèemet X = k correspod à obteir pile à chacu des (k ) premiers lacers et face au k-ième lacer. Comme chaque lacer est idépedat, et que, à chaque lacer, pile et face ot la même probabilité d être obteus, o a doc pour tout k : P(X = k) = ( ) k..3. Exemple de variable aléatoire cotiue. O peut être ameé à étudier des variables aléatoires pouvat predre, au mois théoriquemet, importe quelle valeur das R ou u itervalle de R. Par exemple, cosidéros la variable aléatoire X mesurat la durée de bo foctioemet, e jours, d u équipemet particulier fabriqué e grade série, avec l itervalle [, + [. Pour ue telle variable, les évèemets itéressats sot par exemple X 4, ou 4 X. Das ce cas, la foctio de répartitio joue u rôle fodametal et permet de calculer des probabilités. O suppose que cette foctio de répartitio F est défiie par : { pour tout x < F(x) = pour tout x F(x) = x f (t)dt où pour tout t : f (t) =,e,t Aisi, pour tout x positif, F(x) est l aire de la portio de pla e grisé sur la figure ci-dessous :

4 VARIABLES ALEATOIRES P(X<=x) F(x) x. O e déduit que P(X 4) = F(4),55 E utilisat l évèemet cotraire de X >, ous obteos que P(X > ) = P(X ) F(),4 Pour calculer P(4 < X ) remarquos que F() = P(X ) = P(X 4 ou 4 < X ) = P(X 4) + P(4 < X ) car les deux évèemets X 4 et 4 < X sot icompatibles. O e déduit alors : P(4 < X ) = F() F(4), P(4<X<=) Nous admettros que P(X = 4) = et de maière géérale, que pour tout x, P(X = x) =. E coclusio, pour tout a et b tels que a b, b P(a X b) = F(b) F(a) = f (t)dt a

5 VARIABLES ALEATOIRES 5 Défiitio 5. La foctio f défiie pour tout t positif par est la desité de probabilité de la variable aléatoire X. doc f (t) =,e,t C est ue foctio telle que pour tout t positif, o ait f (t). D autre part, ous avos vu que pour tout x : O coviet d écrire ce résultat F(x) = Comme la foctio f est ulle sur ],], o écrit : x f (t)dt = e,x x lim F(x) = lim f (t)dt = x + x Pour la même raiso, ous pouvos écrire que pour tout x réel F(x) = f (t)dt = f (t)dt = x Défiitio 6. La variable aléatoire X est dite cotiue s il existe ue foctio f positive et cotiue sur R, appelée desité de probabilité de X, telle que + f (t)dt = Propositio. O a alors les propriétés suivates : f (t)dt P(X a) = a f (t)dt P(a X b) = b a f (t)dt P(X = a) = Défiitio 7. O appelle foctio de répartitio de la variable aléatoire X la foctio F défiie sur R par F(x) = x O peut remarquer que cette foctio de répartitio est ue primitive de f, ce qui pemet d écrire la propositio sous la forme suivate : P(X a) = F(a) P(a X b) = F(b) F(a) P(X > a) = F(a) f (t)dt.. Espérace mathématique.... Cas d ue variable aléatoire discrète.. ESPÉRANCE MATHÉMATIQUE, VARIANCE, ÉCART-TYPE Défiitio 8. L espérace mathématique d ue variable aléatoire discrète preat valeurs x i avec les probabilités P(X = x i ) = p i, où i est E(X) = Par exemple, pour la variable aléatoire Y dot la loi est défiie par le tableau suivat so espérace mathématique est égale à : i= p i x i k P(Y = k),,8,,3,4, E(Y ) =, +,8 +, + 3,3 + 4,4 + 5, = 3,8 Cette valeur représete la valeur moyee prise par la variable aléatoire Y lorsque le ombre d expérieces deviet très grad.

6 VARIABLES ALEATOIRES 6... Cas d ue variable aléatoire cotiue. Repreat la situatio et les otatios du paragraphe..3, o prologe la défiitio précédete avec : Défiitio 9. Das le cas d ue variable aléatoire cotiue, l espérace mathématique est défiie par : O obtiet alors pour cet exemple : + X = E(X) = Comme la foctio f est ulle sur ],], o écrit que : t f (t)dt = lim b + t f (t)dt + t f (t)dt = t f (t)dt + t f (t)dt b t f (t)dt = lim b = et efi : a a t f (t)dt = t (,te,t) a dt =, te,t dt O effectue esuite ue itégratio par parties e posat : ce qui permet d obteir : a Après simplicatio, o trouve : te,t dt = u(t) = t v (t) = e,t u (t) = v(t) = e,t, ] a [ t e,t a e,t +,, dt = a ] a [ t e,t, t f (t)dt = ae,a e,a, +, Il reste à calculer la limite quad a ted vers + : Propriété de l espérace. t f (t)dt = lim a + a [ e,t, t f (t)dt = lim a + ae,a e,a, +, = 5 Propositio. Si a et b sot des costates réelles et si X désige ue variable aléatoire d espérace mathématique E(X), alors ax + b est ue variable aléatoire d espérace E(aX + b) = ae(x) + b Défiitio. U jeu est équitable si l espérace mathématique de la variable aléatoire mesurat le gai est égale à la mise... Variace, écart-type. L espérace mathématique e suffit pas à décrire ue variable aléatoire. E effet, deux variables aléatoires distictes peuvet avoir la même espérace. O défiit doc u autre idicateur : Défiitio. La variace d ue variable aléatoire X, otée V (X), est, si elle existe, l espérace mathématique de la variable aléatoire (X E(X)) O peut motrer facilemet la propriété suivate : Théorème. V (X) = E(X ) [E(X)] qui a pour coséquece : Propositio 3. V (ax + b) = a V (X) Das le cas d ue variable aléatoire cotiue X, la variace est défiie par : V (X) = + Défiitio. L écart-type (X) est la racie carrée de la variace. f (t)(t X) dt Il mesure la dispersio des valeurs prises par la variable aléatoire autour de so espérace. ] a

7 VARIABLES ALEATOIRES Loi de Berouilli. 3. LOIS USUELLES Défiitio 3. Ue variable aléatoire X défiie sur u uivers probabilisé U est ue variable de Berouilli si elle e pred que les deux valeurs et, avec les probabilités respectives p et q = p. Das ce cas, o a X = p et (X) = pq. 3.. Loi biomiale. Il s agit de la loi de probabilité X du ombre de succès das ue épreuve de Berouilli répétée fois, à coditio que ces épreuves aléatoires élémetaires soiet idépedates. Das ce cas, X suit la loi biomiale de paramètres et p, otée B(, p) Défiitio. Défiitio 4. Ue variable aléatoire X suit ue loi biomiale B(, p) de paramètres et p, où est u ombre etier aturel et p u ombre réel compris etre et, lorsque sa loi de probabilité est telle que pour tout ombre etier aturel k compris etre et : ( P(X = k) = C k p k ( p) k = k ) p k ( p) k Propositio 4. Pour ue variable aléatoire X suivat ue loi biomiale de paramètres et p, o a : E(X) = p V (X) = pq (X) = pq 3... Exemple. O lace ue pièce de moaie bie équilibrée. Quelle est la probabilité d obteir piles e 5 lacers? O appelle X le ombre de piles obteus e 5 lacers. X suit ue loi biomiale, car l expériece cosiste e la réalisatio de 5 épreuves élémetaires ayat que deux issues possibles, chaque épreuve état idépedate. Le paramètre de cette loi vaut 5, tadis que p est égal à la probabilité d obteir pile lors d u lacer, c est à dire. X suit doc la loi biomiale B(5, ), et la probabilité d obteir piles e 5 lacers est égale à ( ( p(x = ) = C5 ) 5,9 ) O a de maière évidete X = 7,5 et (X) = 5 ( ), Exemple. Ue ure cotiet boules blaches et 3 oires. O tire au hasard ue boule que l o remet das l ure, après avoir oté sa couleur. Soit B l évèemet obteir ue blache et N obteir ue oire. O effectue 8 tirages das les mêmes coditios. Quelle est la probabilié d obteir exactemet trois boules blaches? Soit X la variable aléatoire égale au ombre de boules blaches obteues après les 8 tirages. Xsuit la loi biomiale de paramètres 8 et p = p(b) = 5, doc ( 3 ( p(x = 3) = C8 5) 3,8 5) O a de maière évidete X = 6 5 et (X) = 8 5 ( 5 ), Loi de Poisso. La loi de Poisso iterviet das la modélisatio de phéomèes aléatoires où le futur est idépedat du passé. Par exemple, elle peut iterveir das des problèmes cocerat : les paes de machies les appels téléphoiques das u stadard les files d attete Défiitio. Défiitio 5. Ue variable aléatoire X suit la loi de Poisso P (λ) de paramètre λ positif lorsque sa loi de probabilité est défiie pour tout ombre etier aturel k par λ λk P(X = k) = e k! Propositio 5. Si la variable aléatoire X suit la loi de Poisso P (λ), alors E(X) = λ V (X) = λ (X) = λ

8 VARIABLES ALEATOIRES Exemple. La variable aléatoire X mesurat le ombre de cliets se présetat au guichet uméro de la préfecture par itervalle de temps de durée miutes, etre heures et midi, suit la loi de Poisso de paramètres λ = 5. Quelle est la probabilité qu il se présete au mois 8 persoes à ce guichet etre heures et midi? O applique les formules de cours, ou bie o utilise le formulaire, ce qui fourit : E utilisat l évèemet cotraire : p(x = ),7 p(x = ),34 p(x = ),84... p(x 8) = p(x < 8) = (p(x = ) + p(x = ) + + p(x = 7)), Approximatio d ue loi biomiale par ue loi de Poisso. Théorème. O admet que si est grad, p voisi de et p pas trop grad, alors la loi B(, p) est très proche de la loi P (λ), où λ=p. Das ue etreprise, o cosidère que la probabilité d obteir u article défectueux à la sortie d ue chaie de fabricatio est p =,5. Lors d u cotrôle de qualité, o evisage de prélever u échatillo de articles. Bie que ce prélèvemet soit exhaustif, ous cosidéros que la productio est suffisammet importate pour qu o puisse assimiler ce prélèvemet à tirages avec remise, doc idépedats, d u article défectueux ou o. La variable aléatoire X mesurat le ombre d articles défectueux d u tel échatillo suit la loi biomiale B (;,5), et l espérace mathématique de X est,5 = 6. Comparos la loi de X avec celle d ue variable aléatoire Y suivat la loi de Poisso P (6). k Loi de X Loi de Y,,,3,5,4,45 3,87,89 4,34,34 5,63,6 6,65,6 7,4,38 8,5,3 9,69,69 O observe que la loi de la variable Y est suffisammet proche de celle de X pour qu o puisse utiliser la loi de Poisso pour calculer, par exemple, la probabilité qu u échatillo de articles cotiee au mois u article défectueux, puis la probabilité que cet échatillo cotiee au plus trois articles défectueux. Remarque. O admet e gééral d utiliser cette approximatio lorsque 3, p, et p < 5, ou lorsque p, et p. Exemple. Das ue fabricatio e série, 8% des articles présetet des défauts. Calculer la probabilité que sur cotrôles, il y ait 6 articles défectueux. O a =, p =,8. Nous sommes das le cas où ous pouvos approximer la loi biomiale par la loi de Poisso de paramètre λ = p =,8 = 8. O e déduit doc : p = e !, 3.4. Loi ormale. Ue loi ormale iterviet das la modélisatio de phéomèes aléatoires possédat de ombreuses causes idépedates dot les effets s ajoutet, sas que l u d etre eux soit domiat. Elle s applique aussi lorsque la variable aléatoire utilisée pour mesurer ue quatité e varie que das u itervalle de R, et o pas das R e etier Défiitio. Défiitio 6. Ue variable aléatoire X suit la loi ormale N (m,) de paramètres m et lorsque sa desité de probabilité est la foctio f défiie sur R par : f (t) = π e ( t m ) Exercice 3. Trouver la desité de probabilité de la loi ormale N (,). Soit f la foctio défiie sur R par f (t) = e t π Exercice 4. Trouver la loi ormale dot f est la desité de probabilité.

9 VARIABLES ALEATOIRES 9 Propositio 6. Soit X ue variable aléatoire suivat la loi ormale N (m,) : Loi ormale cetrée réduite N (,). E(X) = m V (X) = (X) = Défiitio 7. La loi ormale N (,) s appelle la loi ormale cetrée réduite. Théorème 3. Si ue variable aléatoire X suit la loi ormale, alors la variable aléatoire suit la loi ormale cetrée réduite N (,). T = X m Ce résultat est très importat, car il permet de limiter l étude des lois ormales à celle de la seule loi ormale cetrée réduite, dot la desité de probabilité a pour représetatio graphique la courbe suivate : t - Le formulaire officiel de mathématiques des classes de bts e doe des iformatios que sur la loi ormale cetrée réduite. La foctio de répartitio y est otée Π. L aire hachurée sur la courbe ci-dessus est doc égale à Π(t). Pour calculer la probabilité d u évèemet cocerat ue variable aléatoire T suivat la loi ormale cetrée réduite, o utilise la table du formulaire et les deux propriétés suivates de cette courbe : Cette courbe est symétrique par rapport à l axe des ordoées. L aire totale comprise etre la courbe et l axe des abscisses est égale à. Exemple. Le formulaire doe directemet P(T,67) = Π(,67),955 Comme de plus T est ue variable aléatoire cotiue, o a P(T =,67) =, et doc o peut dire que De même, O a aussi : P(T,67) = P(T =,67) + P(T <,67) = P(T <,67) P(T,5) = P(T <,5) = Π(,5),56 P(T,67) = Π(,67) = P(T,67) = Π(,67),475 e utilisat la symétrie de la courbe par rapport à l axe des ordoées. E utilisat les mêmes argumets, o démotre aisi : Théorème 4. Pour tout t et t, o a : P(t T t ) = Π(t ) Π(t ) P( t T t) = Π(t) Π( t) = Π(t) Exercice 5. Calculer P( T ) pour la loi ormale cetrée réduite. Si X est ue variable aléatoire suivat la loi ormale N (m,), o a vu que la variable aléatoire T = X m suit la loi ormale cetrée réduite, et doc o a e particulier les relatios pour tout t > : P( t T t) = P( t X m t) = P(m t X m +t)

10 VARIABLES ALEATOIRES Approximatio d ue loi biomiale par ue loi ormale. Théorème 5. O admet que si est grad, et p i trop voisi de, i trop voisi de, alors la loi B(, p) est très proche de la loi N (m,), où m = p = p( p) L itérêt de cette approximatio est de simplifier le calculs umériques. O coviet e gééral d utiliser cette approximatio lorsque p et ( p) sot supérieurs à 5, ou lorsque p et ( p) sot supérieurs à. Exercice 6. Laços ciquate fois ue pièce de moaie équilibrée. Soit X la variable aléatoire mesurat le ombre de face obteu. Détermier la probabilité d obteir 5 fois face, e utilisat la loi biomiale, puis e approximat cette loi par ue loi ormale. D autres exercice dot la correctio est à la fi du polycopié : Exercice 7. Sachat que la variable aléatoire X suit la loi ormale N (;,4), calculer les probabilités suivates : () p = p(x,). () p = p(x >,) (3) p 3 = p(99,6 X,4) Exercice 8. Sachat que la variable aléatoire Y suit la loi de Poisso de paramètre,8, calculer les probabilités suivates : () p 4 = p(y = 4). () p 5 = p(y 4) (3) p 6 = p( < Y < 5) Exercice 9. Das ue salle d iformatique se trouvet huit ordiateurs. La probabilité que l u d eux tombe e pae das l aée est de,5. () Quelle est la probabilité p 7 que deux appareils exactemet tombet e pae das l aée? () Quelle est la probabilité p 8 qu au mois u appareil tombe e pae das l aée? Exercice. Das u laboratoire de fabricatio de résistaces ue étude a motré que la probabilité pour qu ue résistace tirée au hasard soit défectueuse est,. Ue etreprise achète u lot de résistaces. O ote X la variable aléatoire doat le ombre de résistaces défectueuses du lot () Quelle est la loi de probabilité suivie e toute rigueur par X? Préciser ses paramètres. () O admet que la loi de probabilité X du lot peut être approchée par ue loi de Poisso de paramètre p. Déduire de la questio précédete le paramètre λ de la loi de Poisso qui lui est substituée. (3) E déduire, e utilisat ue table de la loi de Poisso, la probabilité de l évéemet (X ). Exercice. Ue machie usie des pièces dot la logueur X exprimée e mm suit ue loi ormale de moyee m = 54 et d écart-type =,. Ue pièce est cosidérée comme boe si 53,6 X 54,3. () Calculer la probabilité qu ue pièce soit boe. () Calculer le pourcetage de pièces défectueuses. (3) Pour préveir u déréglage de la machie o détermie des cotes d alerte 54 h et 54 + h défiies par : p(54 h X 54 + h) =,95 Détermier la valeur de h et e déduire ces cotes d alerte. O doera des valeurs approchées à millimètre près. Exercice. Ue variable aléatoire X suit ue loi ormale de moyee 8 et d écart-type icou. Sachat que p(x 8,5) =,933, calculer l écart-type. 4.. Idépedace de deux variables aléatoires. 4. SOMME DE DEUX VARIABLES ALÉATOIRES Défiitio 8. Soit X ue variable aléatoire discrète preat u ombre fii de valeurs k, k,...,k. Soit Y ue variable aléatoire discrète preat u ombre fii de valeurs q, q,...,q p. Les deux variables X et Y sot idépedates si pour tout i compris etre et, et pour tout j compris etre et p, o a : P(X = k i et Y = q j ) = P(X = k i ) P(Y = q j ) 4.. Espérace mathématique d ue somme de variables aléatoires. Théorème 6. E(X +Y ) = E(X) + E(Y )

11 VARIABLES ALEATOIRES 4.3. Variace de la somme de deux variables aléatoires idépedates. Théorème 7. X et Y état deux variables aléatoires idépedates, o a : V (X +Y ) = V (X) +V (Y ) Exemple 3. Soit X et Y les variables aléatoires dot les lois sot doées ci-dessous : O motre que x i y i -5 5 p(x = x i ) 4 4 p(y = y i ) E(X) 7,5 (X) 8,9 E(Y ),5 (Y ) 8,3 Soit Z la variable aléatoire défiie par Z = X +Y. Cette variable aléatoire pred la valeur 5 avec ue probabilité de p(z = 5) = p(x = ) p(y = 5) = Elle pred la valeur 5 avec la probabilité : p(z = 5) = p(x = ) p(y = 5) + p(x = ) p(y = 5) = 4 La loi de probabilité de Z est doée par : z i p(z = z i ) O retrouve bie sur cet exemple les propriétés éocées, car E(Z) 7,75 (Z) 34, Somme de deux variables aléatoires suivat des lois ormales Lois ormales. Théorème 8. Soit X et X deux variables aléatoires idépedates suivat les lois ormales respectives N (m, ) et N (m, ), alors X + X suit la loi ormale de moyee m + m, et d écart-type +. O remarquera qu avec les mêmes hypothèses, X X suit la loi ormale de moyee m m, et d écart-type +. Exercice 3. Les deux variables aléatoires X et Y sot idépedates et suivet respectivemet les lois ormales N (; 4) et N (8;3). Soit Z la variable aléatoire égale à X +Y. () Calculer l espérace mathématique et l écart-type de Z. () Détermier p(34 Z 48). (3) Détermier le ombre réel positif α tel quel la probabilité de l évèemet soit égale à, Lois de Poisso. 4 α Z 4 + α Théorème 9. Soit X et X deux variables aléatoires idépedates suivat les lois de Poisso de paramètres respectifs λ et λ. Alors leur somme X + X suit la loi de Poisso de paramètre λ + λ. 5. ECHANTILLONNAGE 5.. Loi faible des grads ombres. O cosidère u évèemet A de probabilité p. O effectue expérieces idépedates. Pour la i-ème expériece, o ote X i la variable aléatoire qui, si l évèemet A apparaît, pred la valeur, sio la valeur. La variable aléatoire S = X + X + + X permet de compter le ombre d apparitio de l évèemet A au cours des expérieces. La variable aléatoire S suit la loi biomiale de paramètres et p. La variable aléatoire S pred pour valeur la fréquece d apparitio de l évèemet A au cours des expérieces. Nous admettros le théorème suivat : Théorème. Pour tout ombre etier > et pour tout ombre réel t >, o a ) S P( p p( p) > t t

12 VARIABLES ALEATOIRES Ce théorème idique que, pour importe quel ombre réel t > et ombre etier >, la variable S, mesurat la fréquece d apparitio d u évèemet A de probabilité p au cours de expérieces idépedates, pred ue valeur extérieure à l itervalle [ ] p( p) p( p) p t, p +t avec ue probabilité iférieure ou égale à. t ( ) Théorème. Avec ue probabilité choisie aussi grade que l o veut, S t pred ue valeur aussi proche que l o veut de p lorsque est suffisammet grad. C est la loi faible des grads ombres. La loi faible des grads ombres justifie le fait que la probabilité d u évèemet est très proche de la valeur autour de laquelle se stabilise la fréquece d apparitio de cet évèemet lorsque le ombre d expérieces deviet très grad. 5.. Théorème de la limite cetrée. Théorème. Soiet X, X,..., X variables aléatoires idépedates, suivat toutes la même loi, admettat ue moyee µ et ue variace ( ). Pour suffisammet grad, la variable aléatoire ) suit approximativemet la loi ormale N (µ,. E particulier, pour suffisammet grad, suit approximativemet la loi ormale cetrée réduite. O a : X = X + X + + X X µ = X µ E(X ) = µ V(X ) = (X ) = 5.3. Distributio d échatilloage asymptotique de la moyee Le problème de l échatilloage. La théorie de l échatilloage cosiste, coaissat des propriétés d ue populatio, à détermier des propriétés d échatillos prélevés das la populatio. O e cosidère que des échatillos aléatoires, c est à dire pris au hasard das la populatio. Le tirage des élémets d u échatillo peut être avec remise. Das ce cas, les tirages sot idépedats. Lorsque le tirage se fait sas remise, alors les tirages e sot pas idépedats. Cepedat, lorsque la populatio est importate, o assimile u tirage sas remise à u tirage avec remise Distributio d échatilloage asymptotique de la moyee. Cosidéros ue populatio d effectif N, de moyee m et d écart-type. Prélevos, das cette populatio, u échatillo de taille. O ote x la moyee de cet échatillo et so écart-type. Cosidéros les variables aléatoires X, X,..., X où chaque variable aléatoire X i associe au i-ième tirage le ombre correspodat à l élémet choisi. Si ous supposos que le tirage des élémets de l échatillo a été effectué avec remise, alors la variables aléatoires X i sot idépedates. Elles suivet toutes la même loi, ot toutes la même moyee m et le même écart-type. La variable aléatoire X = X + X + + X associe alors à cet échatillo sa moyee x. Plus gééralemet, X associe à tout échatillo de taille la moyee de cet échatillo. X pred pour valeurs les moyees x, x,...,x de tous les échatillos de même effectif, prélevés avec remise das la populatio. D après le théorème de la limite cetrée, pour suffisammet grad, X suit approximativemet la loi ormale N ( m, ). O simplifiera les otatios e écrivat X à la place de X, car il y a pas de risque de cofusio. Théorème 3. O cosidère ue populatio de moyee m et d écart-type. Soit X la variable aléatoire qui, à tout échatillo aléatoire prélevé avec remise et d effectif fixé, associe la moyee de cet échatillo. Pour suffisammet grad, X suit approximativemet la loi ormale N ( m, ). Das la plupart des cas, o cosidère que est suffisammet grad lorsque Distributio d échatilloage asymptotique de la fréquece. Théorème 4. O cosidère ue populatio dot les élémets possèdet ue certaie propriété avec ue fréquece p. Soit F la variable aléatoire qui, à tout échatillo aléatoire prélevé avec remise et d effectif fixé, associe la fréquece avec laquelle les élémets de cet échatillo possèdet cette propriété. Pour suffisammet grad, F suit approximativemet la loi ormale N ( p, p( p) ).

13 VARIABLES ALEATOIRES 3 6. ESTIMATION O cherche des iformatios sur ue populatio d effectif relativemet importat à partir de l étude d u échatillo de quelques dizaies d uités. 6.. Estimatio poctuelle Moyee. Propositio 7. O choisit la moyee x d u échatillo prélevé au hasard das ue populatio comme estimatio poctuelle de la moyee icoue de la populatio. Exemple 4. Ue société s approvisioe e pièces brutes qui, coformémet aux coditios fixées par le fourisseur, doivet avoir ue masse moyee de 78 grammes. Au momet où 5 pièces sot réceptioées, o e prélève au hasard u échatillo de 36 pièces dot o mesure la masse. La moyee de ces 36 pièces est de 774,7 grammes. E l absece d iformatios supplémetaires, o pred comme estimatio de la moyee icoue m des 5 masses cette valeur de 774,7 grammes Fréquece. Propositio 8. O choisit la fréquece f des élémets possédat ue certaie propriété das u échatillo prélevé au hasard das ue populatio comme estimatio poctuelle de la fréquece icoue p des élémets de cette populatio ayat cette même propriété Variace, écart-type. Propositio 9. O choisit le ombre, où est l effectif de l échatillo et la variace d u échatillo prélevé au hasard das ue populatio, comme estimatio poctuelle de la variace icoue de cette populatio. De même : Propositio. O choisit le ombre, où est l effectif de l échatillo et l écart-type d u échatillo prélevé au hasard das ue populatio, comme estimatio poctuelle de l écart-type icou de cette populatio. Exemple 5. O se place das la situatio de l exemple 4 précédet, et l o suppose que l écart-type de l échatillo des 36 pièces est égal à,36. Ue estimatio poctuelle de l écart-type des 5 pièces est doc égale à 5 =,36, Estimatio par itervalle de cofiace. Das la situatio de l exemple 4, e choisissat u ouvel échatillo de 36 pièces, o obtiedrait ue ouvelle moyee pour les masses de ces 36 pièces. E coséquece, les estimatios poctuelles dépedet très directemet de l échatillo prélevé au hasard. O est doc ameé à chercher u ouveau type d estimatio de la moyee d ue populatio, e utilisat le calcul des probabilités, qui permet de cotrôler l ifluece d u échatillo particulier Moyee. Das la situatio de l exemple 4, plutôt que d estimer à 774,7 grammes la moyee icoue m des masses des 5 pièces, ous allos mettre e oeuvre ue méthode permettat d obteir des itervalles qui, das u grad pourcetage de cas choisi à l avace, par exemple 95% ou 99%, cotieet la moyee icoue m de la populatio. Imagios, que das la populatio des 5 pièces, o prélève au hasard et avec remise ue successio d échatillos de même effectif = 36 dot o calcule les moyees respectives x pour le premier échatillo, x pour le deuxième échatillo, et aisi de suite. De plus, o suppose que l écart-type de cette populatio est cou et égal à,5 grammes. Soit X la variable aléatoire qui, à chacu de ces échatillos de taille 36 associe la moyee de cet échatillo. X pred successivemet les valeurs x, x,... O suppose que les coditios sot réuies pour pouvoir utiliser ue coséquece du théorème de la limité cetrée et faire l approximatio que la variable aléatoire X suit la loi ormale N ( ) m,. Das ce cas, la variable aléatoire X m = suit la loi ormale cetrée réduite. Das ce cas, o a pour tout t : ( ) X m P( t T t) = Π(t) Par exemple, Π(t) =,95 Π(t) =,975 t,96. O e déduit doc ; ( ) ( ) P,96 X m,96 =,95 P (m,96 X m +,96 ) =,95

14 VARIABLES ALEATOIRES 4 Cette égalité sigifie que, avat de prélever u échatillo de taille das la populatio, il y a 95 chaces sur pour que la variable aléatoire X pree ue valeur comprise das l itervalle [m,96 ;m +,96 ] Comme le ombre m est icou, o utilise les résultats précédets pour ecadrer m : ( ) ( ) P,96 X m,96 =,95 P (X,96 m X +,96 ) =,95 Das cette égalité, m est ue costate icoue et la probabilité,95 cocere la variable aléatoire X qui permet de défiir les variables aléatoires X,96 et X +,96. Aisi, avat de prélever u échatillo, de taille das la populatio, il y a 95 chaces sur pour que, d ue part la variable aléatoire X,96 pree ue valeur iférieure à m, et d autre part, que la variable aléatoire X +,96 pree ue valeur supérieure à m. E revache, après le prélèvemet d u échatillo, il y a plus de probabilités à evisager. Il est vrai ou faux de dire que la moyee m de la populatio est située das l itervalle fixe [x,96 ;x +,96 ] Das le cas de l exemple 4, o a = 36, x 774,7 et,5 doc [x,96 ;x +,96 ] = [77,6;778,79] Défiitio 9. Cet itervalle est appelé itervalle de cofiace de la moyee de la populatio avec le coefficiet de cofiace 95 % ( ou avec le risque de 5 % ). Remarquos que cet itervalle de cofiace de la moyee m de la populatio a pour cetre la moyee x de l échatillo qui sert à le défiir. Avec d autres échatillos, o obtiedrait de ouveaux itervalles de cofiace. Si o prélevait u très grad ombre de tels échatillos, eviro 95 pour d etre eux cotiedraiet la moyee icoue m de la populatio. E fait, o e prélève qu u seul, et o e peut pas savoir si celui-ci cotiet ou o le ombre m, mais la méthode mise e oeuvre permet d obteir u itervalle coteat m das 95 cas sur. De maière géérale, o peut doc éocer : Défiitio. L itervalle [x t ;x +t ] est l itervalle de cofiace de la moyee m de la populatio avec le coefficiet de cofiace (Π(t) ), ayat pour cetre la moyee x de l échatillo cosidéré. Lorsque l effectif de l échatillo est suffisammet grad, o peut predre pour valeur de, si o e le coait pas, so estimatio poctuelle. Das le cas où est pas petit par rapport à l effectif N de la populatio et où le tirage des élémets d u échatillo se fait sas remise, l écart-type de X est N N O e peut pas savoir si la moyee m de la populatio appartiet ou o à l itervalle de cofiace associé au seul échatillo prélevé. D autre part, si m appartiet à cet itervalle, m a pas plus de raiso d être près du cetre x de l itervalle que près d ue de ses extrémités ou e tout autre edroit de l itervalle Fréquece. Soit p la fréquece icoue des élémets de la populatio qui vérifiet ue certaie propriété. Soit F la variable aléatoire qui, à chacu des échatillos prélevés associe la fréquece des élémets de cet échatillo vérifiat ue certaie propriété. F pred successivemet les valeurs f, f, etc... La variable aléatoire F peut être cosidérée comme suivat la loi ormale ( ) p( p) N p, E effectuat des calculs aalogues à ceux du paragraphe précédet, o obtiet : ( ) p( p) p( p) P F,96 p F +,96 =,95 p( p) Or, la costate icoue p figure aussi das, écart-type de F, qui iterviet das l ecadremet de p. Pour sufffisammet grad, o peut remplacer das l expressio p( p) l icoue p par so estimatio poctuelle f. D autre part, puisque

15 p( p) obtiet est u écart-type, o doit multiplier par f ( f ). E coséquece, o peut éocer la propositio suivate : Propositio. L itervalle VARIABLES ALEATOIRES 5 l estimatio poctuelle f ( f ) d après le cours précédet, et doc o [ ] f ( f ) f ( f ) f t ; f +t est l itervalle de cofiace d ue fréquece p de la populatio avec le coefficiet de cofiace Π(t), ayat pour cetre la fréquece aalogue f de l échatillo cosidéré. Il existe deux cas particuliers usuels : pour le coefficiet de cofiace 95%, t vaut,96 pour le coefficiet de cofiace 99%, t vaut,58. Das le cas où est pas petit par rapport à l effectif N de la populatio et où le tirage des élémets d u échatillo est sas remise, alors l écart-type de F est : p( p) N N Exercice 4. Ue etreprise de matériel pour l idustrie produit des modules costitués de deux types de pièces : P et P. () Ue pièce P est cosidérée comme boe si sa logueur, e cetimètres, est comprise etre 93,5 et 36,5. O ote L la variable aléatoire qui, à chaque pièce P choisie au hasard das la productio d ue jourée, associe sa logueur. O suppose que L suit ue loi ormale de moyee 3 et d écart type 3. Détermier, à près, la probabilité qu ue pièce P soit boe. () O ote A l évéemet : ue pièce P choisie au hasard das la productio des pièces P est défectueuse O ote de même B l évéemet : ue pièce P choisie au hasard das la productio des pièces P est défectueuse. O admet que les probabilités des deux évéemets A et B sot p(a) =,3 et p(b) =,7 et o suppose que ces deux évéemets sot idépedats. U module état choisi au hasard das la productio, calculer, à 4 près, la probabilité de chacu des évéemets suivats : (a) E : les deux pièces du module sot défectueuses. (b) E : au mois ue des deux pièces du module est défectueuse. (c) E 3 : aucue des deux pièces costituat le module est défectueuse. (3) Das u importat stock de ces modules, o prélève au hasard modules pour vérificatio. Le stock est assez importat pour qu o puisse assimiler ce prélèvemet à u tirage avec remise de modules. O cosidère la variable aléatoire X qui, à tout prélèvemet de modules associe le ombre de modules réalisat l évéemet E 3 défii au. O suppose que la probabilité de l évéemet E 3 est,9. (a) Expliquer pourquoi X suit ue loi biômiale ; détermier les paramètres de cette loi. (b) Calculer, à 3 près, la probabilité que, das u tel prélèvemet, 9 modules au mois réaliset l évéemet E 3. (4) Das cette questio o s itéresse au diamètre des pièces P. Soit X la variable aléatoire qui, à tout échatillo de 6 pièces P prélevées au hasard et avec remise das la productio de la jourée cosidérée, associe la moyee des diamètres des pièces de cet échatillo. O suppose que X suit la loi ormale de moyee icoue µ et d écart-type 6 avec =,84. O mesure le diamètre, exprimé e cetimètres, de chacue des 6 pièces P d u échatillo choisi au hasard et avec remise das la productio d ue jourée. O costate que la valeur approchée arrodie à 3 près de la moyee x de cet échatillo est x = 4,. (5) À partir des iformatios portat sur cet échatillo, doer ue estimatio poctuelle, à 3 près, de la moyee µ des diamètres des pièces P produites pedat cette jourée. (6) Détermier u itervalle de cofiace cetré e x de la moyee µ des diamètres des pièces P produites pedat la jourée cosidérée, avec le coefficiet de cofiace de 95%. (7) O cosidère l affirmatio suivate : " la moyee µ est obligatoiremet etre 3,99 et 4,33 ". Peut-o déduire de ce qui précède qu elle est vraie? Exercice 5. Exercice du bts mai sessio

16 VARIABLES ALEATOIRES 6 Les quatre questios de cet exercice sot idépedates. Das u groupe d assuraces, o s itéresse aux siistres susceptibles de surveir, ue aée doée, aux véhicules de la flotte d ue importate etreprise de maiteace de chauffage collectif. Das cet exercice, sauf metio cotraire, les résultats approchés sot à arrodir à 3. () Etude du ombre de siistres par véhicule Soit X la variable aléatoire qui, à tout véhicule tiré au hasard das u des parcs de la flotte, associe le ombre de siistres surveat pedat l aée cosidérée. O admet que X suit la loi de Poisso de paramètre,8. (a) Calculer la probabilité de l évèemet A : u véhicule tiré au hasard das le parc a aucu siistre pedat l aée cosidérée (b) Calculer la probabilité de l évèemet B : u véhicule tiré au hasard das le parc a, au plus, deux siistres pedat l aée cosidérée () Etude du ombre de siistres das ue équipe de 5 coducteurs. O ote E l évèemet : u coducteur tiré au hasard das l esemble des coducteurs de l etreprise a pas de siistre pedat l aée cosidérée. O suppose que la probabilité de l évèemet E est,6. O tire au hasard 5 coducteurs das l effectif des coducteurs de l etreprise. Cet effectif est assez importat pour que l o puisse assimiler ce prélèvemet à u tirage avec remise de 5 coducteurs. O cosidère la variable aléatoire Y qui, à tout prélèvemet de 5 coducteurs, associe le ombre de coducteurs ayat pas de siistre pedat l aée cosidérée. (a) Justifier que la variable aléatoire Y suite ue loi biomiale et détermier ses paramètres. (b) Caculer la probabilité que, das u tel prélèvemet, coducteurs aiet pas de siistre pedat l aée cosidérée. (3) Etude du coût des siistres Das ce qui suit, o s itéresse au coût d ue certaie catégorie de siistres surveus das l etreprise pedat l aée cosidérée. O cosidère la variable aléatoire C qui, à chaque siistre tiré au hasard parmi les siistres de cette catégorie, associe so coût e euros. O suppose que C suit la loi ormale de moyee et d écart type. Calculer la probabilité qu u siistre tiré au hasard parmi les siistres de ce type coûte etre euros et 5 euros. (4) O cosidère u échatillo de véhicules prélevés au hasard das le parc de véhicules mis e service depuis 6 mois. Ce parc cotiet suffisammet de véhicules pour qu o puisse assimiler ce tirage à u tirage avec remise. O costate que 9 véhicules de cet échatillo ot pas eu de siistre. (a) Doer ue estimatio poctuelle du pourcetage p de véhicules de ce parc qui ot pas eu de siistre 6 mois après leur mise e service. (b) Soit F la variable aléatoire qui à tout échatillo de véhicules prélevés au hasard et avec remise das ce parc, associe le pourcetage de véhicules qui ot pas eu de siistre 6 mois après leur mise e service. O suppose que F suit la loi ormale ( ) p( p) N p, où p est le pourcetage icou de véhicules du parc qui ot pas eu de siistre 6 mois après leur mise e service. Détermier u itervalle de cofiace du pourcetage p avec le coefficiet de cofiace 95%. (c) O cosidère l affirmatio suivate : le pourcetage p est obligatoiremet das l itervalle de cofiace obteu à la questio b) Est-elle vraie? O e demade pas de justificatio. 7.. Correctio de l exercice 7. O pose 7. CORRECTION DES EXERCICES T = X,4 T suit la loi ormale cetrée réduite, et o a la relatio X = +,4T, ce qui permet d obteir : () p = p(x,) = p(t 3),99865 par lecture du formulaire. () p = p(x >,) = p,35 (3) p 3 = p(99,6 X,4) = p( T ) = Π() Π( ) = Π() ( Π()) = Π() doc p 3,686

17 VARIABLES ALEATOIRES Correctio de l exercice 8. () p 4 = p(y = 4) = e,8,8 4 4!,557. () p 5 = p(y 4) = p(y = ) + p(y = ) + p(y = ) + p(y = 3) + p(y = 4) doc p 5 = e.8.8! + e.8.8! + e.8.8! + e ! + e !.8477 (3) p 6 = p( < Y < 5) = p(y = 3) + p(y = 4) Correctio de l exercice 9. Si o appelle Z la variable aléatoire égale au ombre d ordiateurs e pae das l aée, o peut dire que Z suit ue loi biomiale de paramètres = 8 et p =.5. O a alors facilemet : () p 7 = C 8 (.5) (.95) () O utilise l évèemet cotraire qui est qu aucu appareil e tombe e pae das l aée, doc p 8 = C 8 (.5) (.95) Correctio de l exercice. () X suit ue loi biomiale de paramètres = et p =.. () λ = p =. =. (3) p(x ) = p(x = ) + p(x = ) + p(x = ) Correctio de l exercice. O pose T = X 54,. T suit N (,) et X = 54 +.T. () p(53,6 X 54,3) = p( T.5) = Π(.5) Π( ) = Π(.5) ( Π()) qui est doc la probabilité qu ue pièce soit boe. () La probabilité qu ue pièce soit défectueuse est doc de , c est à dire qu il y a 8,9 % de pièces défectueuses. (3) p(54 h X 54 + h) =,95 p ( h. T. h ) ( =,95 Π h ) ( ) (. Π h. =,95. Ceci équivaut à Π h ). ( ( Π h )) (. =,95, d où Π h ). =.975. Par lecture iverse de la table de la loi ormale cetrée réduite, o obtiet.96, d où h.39. Les côtes d alerte sot doc égales à 53,6 et 54,4 millimètres. h Correctio de l exercice. ( O pose T = X 8, soit X = 8 + T. T suit la loi ormale cetrée réduite, et doc o a p(x 8,5) = p ( ) Π,5 =,933. Par lecture iverse de la table du formulaire, o trouve,5,5, soit = 5. T,5 ) = 7.7. Correctio de l exercice 3. () E(Z) = 4 et = 5. () O pose T = Z 4 5 Comme T suit la loi ormale cetrée réduite, o e déduit que (3) Motrer d abord que p(34 Z 48) = p(, T,6),83 4 α Z 4 + α α 5 T α 5 puis que ( p α 5 T α ) ( α ) =,95 Π =, ce qui permet de détermier que α 9,8.

18 VARIABLES ALEATOIRES Correctio de l exercice 4. () La variable L suit la loi ormale N (3,3), doc la variable T défiie par T = L 3 3 suit la loi ormale cetrée réduite N (,). Il viet alors ( 93,5 3 p(93,5 L 36,5) = p L 3 ) 36, = p(,6 T,6) = Π(,6) =,969 (a) p(e ) = p(a B) = p(a) p(b) puisque A et B sot idépedats. D où p(e ) =,3,7, soit p(e ) =,. (b) p(e ) = p(a B) = p(a) + p(b) p(a B) =,3 +,7,, soit p(e ) =,979. (c) p(e 3 ) = p ( A B ) = p(a B) =,979, soit p(e 3 ) =,9. (d) O a tirages idépedats, pour seulemet issues possibles (E 3 ou E 3 ), o est bie das le cadre d ue loi biômiale. Doc X suit la loi biomiale B (;,9). (e) Das ce cas, o a p(x 9) = p(x = 9) + p(x = ) = C 9 (,9)9 (,98) +C (,9) (,98) =,744 () La variable X suit la loi ormale N (µ;,84/ 6), et la moyee sur u échatillo doé est x = 4,. (a) L estimatio poctuelle est µ = 4,. (3) O veut trouver le réel positif a tel que p(x a µ x + a) =, 95. Itroduisos la variable T défiie par T = X µ,84 6, alors T suit la loi ormale cetrée réduite N (,) et l o sait que pour tout réel positif t o a p( t T t) = Π(t). U coup d œil sur le formulaire ous motre qu il faut choisir t =,96 pour obteir ue probabilité de,95. Autremet dit, o sait que l o a ( ) 6 ( ) p,96 X µ,96 =,95,84 ( p,96,84 X µ,96,84 ) =, p (, X µ, + X ) =,95 p (, X µ, + X ) =,95 D où ici l itervalle de cofiace à 95% cherché I = [3,99;4,33]. (4) Bie sûr, l affirmatio proposée est fausse : avec u itervalle de cofiace à 95% o est ecore très loi d ue certitude Correctio de l exercice 5. () O a :,8 (,8) p(a) = p(x = ) = e,756! (a) L évèemet B est l uio des évèemets deux à deux icompatibles u véhicule tiré au hasard das la parc a eu exactemet siistre pedat l aée cosidérée, u véhicule tiré au hasard das la parc a eu exactemet siistre pedat l aée cosidérée et u véhicule tiré au hasard das la parc a eu exactemet siistres pedat l aée cosidérée. Doc p(b) = p(x = ) + p(x = ) + p(x = ) = e,8 (,8)! + e,8 (,8)! + e,8 (,8)!,997 (b) Nous avos ue suite de 5 épreuves de Berouilli idépedates. Chaque épreuve a que deux issues possibles : soit l évèemet E est réalisé avec ue probabilité de,6, soit il est pas réalisé avec ue probabilité de,4. Ceci prouve que la variable aléatoire Y suit ue loi biomiale de paramètres 5 et,6.

19 VARIABLES ALEATOIRES 9 (c) O veut calculer la probabilité de l évèemet : p(y = ) = C 5 (,6) (,4) 5,86 () Puisque C suit la loi ormale de moyee et d écart type, la variable aléatoire D défiie par D = C suit la loi ormale cetrée réduite. O trouve alors ce qui permet facilemet d e déduire : C = + D C 5 D 3 Il viet alors, e utilisat le formulaire : p( C 5) = p ( D 3 ) = Π ( ) ( 3 Π( ) = Π 3 ) ( Π()) = Π ( ) 3 + Π(),775 (a) L estimatio poctuelle est doée par le pourcetage obteu sur l échatillo prélevé : f = 9 =,9 (b) O pose : T = F p p( p) T suit la loi ormale cetrée réduite. L itervalle de cofiace pour T à 95% est défii par : p( t T t) =,95 Π(t) =,95 Π(t) =,975 t,96 e utilisat le formulaire. O e déduit : p(,96 T,96) =,95 p,96 F p p( p),96 =,95 Afi de pouvoir obteir u itervalle de cofiace, il ous faut das ce cas approximer l écart-type par, qui d après le cours vaut f ( f ) f ( f ).9 (.9) = = =.876 O e déduit esuite : ( p,96 F p ),96 =,95 p ( p,96 F p +,96 ) =,95 O utilise l estimatio poctuelle de p, à savoir que p,9 pour trouver que p,96 = p +,96 = E coclusio, l itervalle de cofiace cherché est : (c) Cette affirmatio est fausse d après le cours. [,853;,967] p( p) de F

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Probabilités. Table des matières. Université Paris XI PCS0 Probabilités 2011/2012 Uiversité Paris XI PCS0 Probabilités 2011/2012 Probabilités Table des matières 1 Combiatoire 2 1.1 Choix............................................ 2 1.2 Les foctios cruciales du déombremet........................

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

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

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

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

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

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

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

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

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

Baccalauréat S Nouvelle-Calédonie 7 mars 2014

Baccalauréat S Nouvelle-Calédonie 7 mars 2014 Durée : 4 heures Baccalauréat S Nouvelle-Calédoie 7 mars 2014 A. P. M. E. P. EXERCICE 1 Commu à tous les cadidats 4 poits Cet exercice est u QCM questioaire à choix multiple. Pour chaque questio, ue seule

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

* 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

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

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

Expérience aléatoire - modélisation - langage des probabilités

Expérience aléatoire - modélisation - langage des probabilités T.S Probabilités coditioelles L 5 I Expériece aléatoire - modélisatio - lagage des probabilités Ue expériece aléatoire est ue expériece liée au hasard. Les mathématiques itervieet pour apporter u modèle

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

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

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

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

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

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

I. Probabilités : petit bilan de 2 nde

I. Probabilités : petit bilan de 2 nde ère S FICHE Variables aléatoires I. Probabilités : petit bila de de EXECICE TYPE (voir évaluatio diagostique d etrée e ère S) Eocé O fait tourer ue roue équilibrée comme ci-dessous séparées e 8 secteurs

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

On admet que l ensemble des nombres des réels est inclus dans un ensemble plus grand constitué de nombres complexes.

On admet que l ensemble des nombres des réels est inclus dans un ensemble plus grand constitué de nombres complexes. Chapitre 1 Nombres complexes Le buts du chapitres sot : Cosolider les aquis de termiale, Savoir maipuler les ombres complexes, e particulier la factorisatio par l agle de moitié. Avoir des otios sur le

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

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

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

Utilisation du bootstrap pour les problèmes statistiques liés à l estimation des paramètres

Utilisation du bootstrap pour les problèmes statistiques liés à l estimation des paramètres B A S E Biotechol Agro Soc Eviro 00 6 (3) 43 53 Utilisatio du bootstrap pour les problèmes statistiques liés à l estimatio des paramètres Rudy Palm Uité de Statistique et Iformatique Faculté uiversitaire

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

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

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

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

INF582 : Cryptologie Attaque de clés RSA par la méthode de Wiener

INF582 : Cryptologie Attaque de clés RSA par la méthode de Wiener INF58 : Cryptologie Attaque de clés RSA par la méthode de Wieer Nicolas DOUZIECH - Thomas JANNAUD - X005 9 mars 008 Table des matières Quelques rappels sur le cryptosystème RSA Pricipe de l attaque de

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

GRAPHES - EXERCICES CORRIGES Compilation réalisée à partir d exercices de BAC TES

GRAPHES - EXERCICES CORRIGES Compilation réalisée à partir d exercices de BAC TES GRAPHES - EXERCICES CORRIGES Compilatio réalisée à partir d exercices de BAC TES Exercice. U groupe d amis orgaise ue radoée das les Alpes. O a représeté par le graphe ci-dessous les sommets B, C, D, F,

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

TECHNIQUE: Distillation

TECHNIQUE: Distillation TECHNIQUE: Distillatio 1 Utilité La distillatio est u procédé permettat la séparatio de différetes substaces liquides à partir d u mélage. Les applicatios usuelles de la distillatio sot : l élimiatio d

Plus en détail

LES SUITES. u n = 1 n, pour n 1. u n = n 3

LES SUITES. u n = 1 n, pour n 1. u n = n 3 LES SUITES. Défiitio.. Défiitio Ue suite umérique est ue foctio de das, défiie à partir d'u certai rag 0. La otatio (u ) désige la suite e tat qu'objet mathématique et u désige l'image de l'etier (appelé

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

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

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

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

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

Plus en détail

1 Intervalles de confiance. 2 Tests d hypothèses. 3 La loi du χ 2. X N (µ; σ 2 ) n très grand = la valeur observée x de X µ

1 Intervalles de confiance. 2 Tests d hypothèses. 3 La loi du χ 2. X N (µ; σ 2 ) n très grand = la valeur observée x de X µ Pla du cours 3 RFIDEC cours 3 : Itervalles de cofiace, tests d hypothèses, loi du χ Christophe Gozales LIP6 Uiversité Paris 6, Frace 1 Itervalles de cofiace Tests d hypothèses 3 La loi du χ Itervalles

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