2. u(t) = 3 2 e t/2( 1 e t/2) 2
|
|
- Bertrand Barbeau
- il y a 7 ans
- Total affichages :
Transcription
1 Probabilités : Chapitre 4 Exercices Exercices : Variables aléatoires à densité Exercice : Déterminer si les fonctions suivantes sont des densités de probabilité et si oui déterminer la fonction de répartition de la VAR associée à cette densité. si t <. g(t) = 4te 2t si t si t < 3. f(t) = e t ln(+e t ) si t Exercice 2: si t < 2. u(t) = 3 2 e t/2( e t/2) 2 si t On pensera au changement de variable u = e t. si t / ];2] Soit f la fonction définie sur R par : f(t) = a si t ];2] t Déterminer a pour que f soit une densité de probabilité Exercice 3: Déterminer si les fonctions suivantes sont les fonctions de répartition d une variable à densité. Si oui, en donner une densité. si x <. F(x) = ( + x 2e x si x 2) 2. x R, F(x) = +e x Exercice 4: Soit X une VAR dont la fonction de répartition F est définie par : F(x) = Montrer que X est une variable à densité et déterminer une densité de X. Exercice 5: Calculer, si elle existe, l espérance de la variable X dont une densité est : si t < si t <. g(t) = 4te 2t si t 2. h(t) = 4lnt si t t 3 Exercice 6: 4 On considère la fonction f définie par : f(x) = 3 ( x)/3 si x sinon. Montrer que f est la densité d une variable aléatoire Y. si x < e x2 /2 si x 2. Déterminer la fonction de répartition F de la variable Y. Construire sa représentation graphique dans un repère orthonormal. 3. Calculer l espérance de la variable Y. 4. Calculer la probabilité de l événement [,488 < Y,2] Probabilités : Chapitre 4 Exercices Page Variables aléatoires à densité
2 Exercice 7: Reprendre l exercice 5 et calculer, si elle existe, la variance de la variable aléatoire associée aux densités données. Exercice 8: Soit X une VAR qui suit une loi uniforme sur [a;b]. Montrer que X admet une variance et la calculer. Exercice 9: On suppose que la distance en mètres parcourue par un javelot suit une loi normale. Au cours d un entrainement, on constate que : % des javelots atteignent plus de 75 mètres. 25% des javelots parcourent moins de 5 mètres. Calculer la longueur moyenne parcourue par un javelot ainsi que l écart-type de cette longueur. On donne au dos la table de valeurs de la fonction de répartition de la loi N(,). Exercice : Soit X une variable aléatoire suivant la loi exponentielle E(λ).. Déterminer la loi de la variable aléatoire Y = X. 2. Déterminer une densité de X Déterminer une densité de X 3. Exercice : Soit X une variable aléatoire à densité dont la fonction de répartition F est strictement croissante. Déterminer la loi de la variable aléatoire Y = F(X). Exercice 2: Soit X une variable aléatoire dont une densité est la fonction f définie sur R par : e x si ln2 x ln2 f(x) = sinon. Déterminer la fonction de répartition F de X. 2. On pose Y = X. Déterminer la fonction de répartition G de Y puis montrer que Y est une variable à densité et donner une densité de Y. Exercice 3: Soit X une VAR admettant une densité f. On suppose que X prends ses valeurs dans R +. Soit Y = [X] (partie entière de X). Déterminer la loi de Y. 2. a) Montrer que E(Y) existe si et seulement si E(X) existe. b) Montrer que si E(X) existe alors : E(Y) E(X) E(Y)+. Probabilités : Chapitre 4 Exercices Page 2 Variables aléatoires à densité
3 Exercice 4: Après enquête, on estime que le temps de passage à une caisse, exprimé en unités de temps, est une variable aléatoire T dont une densité de probabilité est donnée par la fonction f définie par : xe x si x f(x) = si x <. Rappeler la définition d une densité de probabilité d une variable aléatoire X suivant une loi exponentielle de paramètre λ =. Donner la valeur de l espérance et de la variance de X. 2. Utiliser la question précédente pour vérifier que f est bien une densité de probabilité, puis montrer que T admet une espérance que l on déterminera. Quel est le temps moyen de passage en caisse? 3. a) Démontrer que la fonction de répartition de T, notée F T est définie par : si x < F T (x) = (x+)e x si x b) Montrer que la probabilité que le temps de passage en caisse soit inférieur à deux unités(de temps) sachant qu il est supérieur à une unité est égale à 2e 3. 2e 4. Un jour donné, trois clients A, B, C se présentent simultanément devant deux caisses libres. Par courtoisie, C décide de laisser passer A et B et de prendre la place du premier d entre eux qui aura terminé. On suppose que les variables T A et T B correspondant au temps de passage en caisse de A et B sont indépendantes. a) M désignant le temps d attente du client C exprimer M en fonction de T A et T B. b) Montrer que la fonction de répartition de la variable aléatoire M est donnée par : P(M t) = si t < (+t) 2 e 2t si t c) Prouver que M est une variable à densité et expliciter une densité de M. Probabilités : Chapitre 4 Exercices Page 3 Variables aléatoires à densité
4 Probabilités : Chapitre 4 Exercices Page 4 Variables aléatoires à densité
5 Exercice : Correction. (i) On remarque tout d abord que g est bien une fonction positive car et pour t, 4te 2t. (ii) La fonction nulle est continue sur ] ;[ et par produit de fonctions continues, la fonction t 4te 2t est continue sur ];+ [. Donc g est continue sur R. De plus lim g = = lim g = g() donc g est en fait continue sur R. + (Dans notre théorème il suffit que la fonction soit continue sauf éventuellement en un nombre fini de points donc nous ne sommes pas obligés de vérifier la continuité de g en.) (iii) Comme g est nulle sur ];[, l intégrale Sur [; + [, g est continue donc l intégrale Soit A >, par intégration par parties : g(t)dt est convergente et vaut. g(t)dt ne pose problème qu en +. 4te 2t dt = [ 2te 2t] A + 2e 2t dt = 2Ae 2A e 2A + Or lim A + 2Ae 2A e 2A + = donc l intégrale En conclusion g est une densité de probabilité. g(t)dt est convergente et vaut. g(t)dt est convergente et vaut. Soit X une VAR de densité g. Notons G sa fonction de répartition. Par définition G(x) = Si x < alors G(x) = Si x alors G(x) = dt =. dt+ refaire le calcul, il a été fait dans le point (iii).) si x < G(x) = (2x+)e 2x si x g(t) dt. 4te 2t dt = 2xe 2x e 2x + = (2x+)e 2x. (Inutile de 2. (i) On remarque tout d abord que u est bien une fonction positive car et pour t, 3 2 e t/2( e t/2) 2. (ii) La fonction nulle est continue sur ] ;[ et par produit de fonctions continues, la fonction t 3 2 e t/2( e t/2) 2 est continue sur ];+ [. Donc u est continue sur R. De plus lim u = = lim u = u() donc u est en fait continue sur R. + (iii) Comme u est nulle sur ];[, l intégrale Sur [; + [, u est continue donc l intégrale Soit A > : u(t)dt est convergente et vaut. u(t)dt ne pose problème qu en e t/2( e t/2) 2 dt = [ ( e t/2 ) 3] A = ( e A/2 ) 3 Probabilités : Chapitre 4 Exercices Page 5 Variables aléatoires à densité
6 Or lim A + ( e A/2 ) 3 = donc l intégrale En conclusion u est une densité de probabilité. u(t)dt est convergente et vaut. u(t)dt est convergente et vaut. Soit X une VAR de densité u. Notons U sa fonction de répartition. Par définition U(x) = Si x < alors U(x) = Si x alors U(x) = dt =. dt+ il a été fait dans le point (iii).) si x < U(x) = ( e x/2 ) 3 si x u(t) dt. 3 2 e t/2( e t/2) 2 dt = ( e x/2 ) 3. (Inutile de refaire le calcul, 3. (i) On remarque tout d abord que f est bien une fonction positive car et pour t, e t ln(+e t ). (ii) La fonction nulle est continue sur ] ;[ et par produit de fonctions continues, la fonction t e t ln(+e t ) est continue sur ];+ [. Donc f est continue sur R. f est donc continue sur R. (iii) Comme f est nulle sur ];[, l intégrale Sur [; + [, f est continue donc l intégrale f(t)dt est convergente et vaut. f(t)dt ne pose problème qu en +. Soit A >, grâce au changement de variable u = e t (qui nous donne t = ln(u) et donc dt = u du) : e t ln(+e t )dt = = = e A e A ( uln + ) e A du = ln u u (ln(+u) ln(u)) du ( ) +u du u [(+u)ln(+u) (+u) uln(u)+u]e A ( (+e A )ln(+e A ) e A ln(e A ) + ) = Or lim (+e A )ln(+e A ) A + et vaut. En conclusion f est une densité de probabilité. = (+e A )ln(+e A ) Ae A f(t)dt est convergente et vaut. Ae A = donc l intégrale Soit X une VAR de densité f. Notons F sa fonction de répartition. Par définition F(x) = Si x < alors F(x) = dt =. f(t)dt est convergente f(t)dt. Probabilités : Chapitre 4 Exercices Page 6 Variables aléatoires à densité
7 Si x alors F(x) = dt+ de refaire le calcul, il a été fait dans le point (iii).) si x < F(x) = (+e x )ln(+e x ) Exercice 2: e t ln(+e t )dt = (+e x )ln(+e x ) xe x si x xe x. (Inutile (i) On remarque tout d abord que pour que f soit bien une fonction positive il faut que a car a et pour t ];2], a. t (ii) La fonction nulle est continue sur ];] ]2;+ [ et la fonction t pour toute valeur de a. Quelle que soit la valeur de a, f est continue sur R\;2}. (iii) Comme f est nulle sur ];] ]2;+ [, les intégrales et valent. Sur ]; 2], f est continue donc l intégrale Soit < A 2, : 2 A 2 Or lim 2a 2a A = 2a donc l intégrale A En conclusion f(t)dt et a t est continue sur ];2] f(t)dt ne pose problème qu en. a dt = [ 2a t ] 2 = 2a 2a A t A 2 f(t)dt est convergente et vaut 2a. Pour que f soit une densité de probabilité il faut donc que a = 2. f(t)dt est convergente et vaut 2a. 2 f(t) dt sont convergentes Exercice 3:. (i) La fonction nulle est continue sur ] ;[ et par produit de fonctions continues, la fonction ( x + x 2e 2) x est continue sur ];+ [. Donc F est continue sur R. De plus lim F = = lim F = F() donc F est en fait continue sur R. + (ii) Pour les même raisons que la continuité sur R, F est de classe C su R. (iii) Sur ];[, F est constante donc croissante. ( Sur ];+ [, F (x) = + x ) ( e x + + x ) 2e x = x ( + x ) e x. Donc pour x >, F (x) et donc F est croissante sur ];+ [. F est croissante sur ];[ et sur ];+ [ et comme F est continue sur R, F est croissante sur R. ( + x 2e 2) x = donc (iv) lim F(x) = lim = et grâce aux croissances comparées, lim x x x + F(x) =. lim x + F est bien la fonction de répartition d une variable à densité X. Probabilités : Chapitre 4 Exercices Page 7 Variables aléatoires à densité
8 si x < Une densité de X est par exemple f(x) = x ( + x ) e x si x. 2 2 Il suffit de prendre la dérivée de F pour obtenir une densité. 2. (i) La fonction x +e x est de classe C sur R et ne s annule pas sur R. Donc F est de classe C sur R et donc en particulier continue sur R. (ii) Pour les même raisons que la continuité sur R, F est de classe C su R. (iii) Pour tout réel x, F e x (x) = (+e x ) 2. Donc pour x R, F (x) et donc F est croissante sur R. (iv) lim F(x) = lim = = et lim F(x) = =. x x +ex x + F est bien la fonction de répartition d une variable à densité X. Une densité de X est par exemple f(x) = Exercice 4: e x (+e x ) 2. (i) La fonction nulle est continue sur ] ;[ et par produit de fonctions continues, la fonction x e x2 /2 est continue sur ];+ [. Donc F est continue sur R. De plus lim F = = lim F = F() donc F est en fait continue sur R. + (ii) La fonction nulle est de classe C sur ] ;[ et par produit de fonctions de classe C, la fonction x e x2 /2 est de classe C sur ];+ [. Donc F est de classe C sur R. X est donc une variable à densité. Pour obtenir une densité il suffit de dériver F là où F est dérivable. si x < Une densité de X est par exemple f(x) = xe x2 /2 si x. Exercice 5:. Comme t t g(t) est nulle sur ];[, l intégrale. Sur [;+ [, t t g(t) est continue donc l intégrale Soit A >, par intégration par parties : t g(t) dt = Dans l exercice on a calculé : Donc t g(t) dt est absolument convergente et vaut t g(t) dt ne pose problème qu en +. 4t 2 e 2t dt = [ 2t 2 e 2t] A + 4te 2t dt = 2A 2 e 2A + 4te 2t dt = 2Ae 2A e 2A + t g(t) dt = 2A 2 e 2A 2Ae 2A e 2A +. Or lim A + 2A2 e 2A 2Ae 2A e 2A + = doncl intégrale et vaut. En conclusion t g(t)dt est absolument convergente et vaut. X admet donc une espérance et E(X) =. 4te 2t dt t g(t) dt est absolument convergente Probabilités : Chapitre 4 Exercices Page 8 Variables aléatoires à densité
9 2. Comme t t h(t) est nulle sur ];[, l intégrale. Sur [;+ [, t t h(t) est continue donc l intégrale Soit A >, par intégration par parties : t h(t) dt = Or lim 4ln(A) A + A 4 +4 = 4 donc l intégrale A 4. En conclusion t h(t) dt est absolument convergente et vaut t h(t) dt ne pose problème qu en +. [ 4ln(t) dt = 4ln(t) ] A 4 + dt = 4ln(A) t 2 t t2 A 4 A +4 t h(t) dt est convergente et vaut 4. X admet donc une espérance et E(X) = 4. t h(t) dt est absolument convergente et vaut Exercice 6:. (i) Pour x [;] on a f(x) = et si x [;], ( x) donc f(x). f est bien une fonction à valeurs positives. (ii) f est bien continue sur ];[ et sur ];+ [ car f est la fonction nulle sur ces intervalles. Sur ];[ f est la composée de fonction continues donc f est continue. f est donc continue sur R\;}. (iii) Les intégrales f(x)dx et et ces intégrales valent. Sur [;] la fonction f est continue donc l intégrale Donc f(x)dx est convergente et f est bien une densité de probabilité. 2. Par définition F(x) = Si x <, F(x) = Si x, F(x) = Si x >, F(x) = f(t)dt. dt =. f(t)dt+ f(t)dt+ si x < F(x) = ( x) 4/3 si x si x > f(x)dx sont convergentes car f est nulle sur ces intervalles f(x)dx = [ ( x) 4/3] = f(t)dt+ f(t)dt = f(x)dx = f(t)dt = f(x)dx est convergente. De plus : 4 3 ( t)/3 dt = ( x) 4/ ( t)/3 dt =. Probabilités : Chapitre 4 Exercices Page 9 Variables aléatoires à densité
10 Pour les mêmes raisons qu à la question, l intégrale Y admet une espérance et : E(Y) = xf(x)dx = 4 3 x( x)/3 dx = [ x( x) 4/3] + ( x) 4/3 dx = xf(x) dx est absolument convergente donc [ 3 ] 7 ( x)7/3 = 3 7 E(Y) = P(,488 < Y,2) = F(,2) F(,488) = +(,488) 4/3 = (,52) 4/3 =,496 Exercice 7:. On a déjà vu que X admet une espérance et que E(X) =. Montrons maintenant que X admet un moment d ordre 2. t t 2 g(t) est nulle sur ];[, l intégrale Sur [;+ [, t t 2 g(t) = t 2 g(t) est continue donc l intégrale qu en +. Soit A >, par intégration par parties : t 2 g(t)dt = On a déjà calculé dans l exercice 5 : Donc t 2 g(t)dt est absolument convergente et vaut. 4t 3 e 2t dt = [ 2t 3 e 2t] A + 6t 2 e 2t dt = 2A 3 e 2A t 2 g(t)dt ne pose problème 4t 2 e 2t dt = 2A 2 e 2A 2Ae 2A e 2A +. t 2 g(t)dt = 2A 3 e 2A 3A 2 e 2A 3Ae 2A 3 2 e 2A Or lim A + 2A3 e 2A 3A 2 e 2A 3Ae 2A 3 2 e 2A = 3 2. Donc t 2 g(t)dt converge absolument et E(X 2 ) = 3 2. On a donc V(X) = E(X 2 ) E(X) 2 = 3 2 = 2 4t 2 e 2t dt Probabilités : Chapitre 4 Exercices Page Variables aléatoires à densité
11 2. On a déjà vu que X admet une espérance et que E(X) = 4. Montrons maintenant que X admet un moment d ordre 2. Comme t t 2 h(t) est nulle sur ] ;[, l intégrale vaut. Sur [;+ [, t t 2 h(t) = t 2 h(t) est continue donc l intégrale qu en +. Soit A > : t 2 h(t)dt = Or lim A + 2(ln(A))2 = + donc l intégrale 4ln(t) t t 2 h(t)dt est absolument convergente et dt = [ 2(ln(t)) 2] A = 2(ln(A))2 t 2 h(t)dt est divergente. X n admet donc pas de moment d ordre 2 et donc X n admet pas de variance. t 2 h(t)dt ne pose problème Exercice 8: On rappelle qu une densité d une variable aléatoire X qui suit une loi uniforme sur [a;b] est : si x [a;b] f(t) = b a sinon On sait déjà que X admet une espérance et que E(X) = a+b 2. Montrons que X admet un moment d ordre 2. t t 2 f(t) est nulle sur ];a[ et sur ]b;+ [ donc les intégrales convergentes et valent. De plus t t 2 f(t) est continue sur [a;b] donc X admet donc un moment d ordre 2 et : b a a t 2 f(t)dt est convergente. t 2 f(t)dt et b t 2 f(t)dt sont E(X 2 ) = b a t 2 b a dt = b a [ t 3 car b 3 a 3 = (b a)(b 2 +ab+a 2 ) (division euclidienne). X admet donc une variance et V(X) = E(X 2 ) E(X 2 ) = b2 +ab+a 2 3 ] b 3 = 4(b2 +ab+a 2 ) 3(a 2 +2ab+b 2 ) 2 = (b a)2 2 a = b3 a 3 3(b a) = b2 +ab+a 2 3 (a+b)2 4 = a2 2ab+b 2 2 Exercice 9: Notons X la VAR égale à la distance parcourue par le javelot. D après l énoncé, X suit une loi normale de paramètres m et σ. Le but de cet exercice est de trouver m et σ. L énoncé nous dit que : P(X > 75) =, et P(X < 5) =,25 Probabilités : Chapitre 4 Exercices Page Variables aléatoires à densité
12 On sait d après le cours que lorsque X suit une loi normale de paramètres m et σ alors X = X m σ suit une loi normale de paramètres et. ( X m Or P(X > 75) = P(X m > 75 m) = P > 75 m ) ( = P X > 75 m ) = ( ) σ σ σ 75 m Φ. σ ( ) ( ) 75 m 75 m On a donc Φ =, Φ =,9. σ σ D après la table de valeurs on a donc 75 m,28. ( ) σ 5 m De même P(X < 5) = Φ =,25. σ Dans la table( on ne trouve ) pas la valeur,25 ( donc) on va utiliser une ( petite) astuce : Φ( t) = Φ(t). 5 m m 5 m 5 On a donc Φ =,25 Φ =,25 Φ =,75. σ σ σ On déduit de la table de valeur que m 5,67. σ Il nous faut donc maintenant résoudre le système : 75 m σ m 5 σ,28,67 75 m,28σ m 58,59 m 5,67σ σ 2,82 La longueur moyenne parcourue par le javelot est 58,69 et l écart type est 2,82. Exercice : On rappelle que la fonction de répartition d une VAR X qui suit un loi exponentielle de paramètre λ est donnée par : F(x) = si x < e λx si x. Notons G la fonction de répartition de Y. Par définition G(x) = P(Y x) = P( X x). Si x <, P( X x) =. Si x, P( X x) = P(X x 2 ) = F(x 2 ) = e λx2 si x < On a donc G(x) = e λx2 si x. On montre facilement que G est continue sur R et de classe C sur R donc G est la fonction de répartition d une variable à densité et une densité de Y est par exemple : si x < g(x) = 2λxe λx2 si x 2. On pose Z = X 2 et on note H la fonction de répartition de Z. Par définition H(x) = P(Z x) = P(X 2 x). Si x <, P(X 2 x) =. Si x, P(X 2 x) = P( x X x) = F( x) F( x) = e λ x car F( x) =. si x < On a donc H(x) = e λ x si x. Probabilités : Chapitre 4 Exercices Page 2 Variables aléatoires à densité
13 H est continue sur R et de classe C sur R donc Z est une variable à densité et une densité de Z est par exemple : si x h(x) = λ 2 x x e λ si x > 3. On note T la fonction de répartition de X 3. Par définition T(x) = P(X 3 x). Si x <, P(X 3 x) =. Si x, P(X 3 x) = P(X x /3 ) = F(x /3 ) = e λx/3. si x < On a donc T(x) = e λx/3 si x. T est continue sur R et de classe C sur R donc X 3 est une variable à densité et une densité de X 3 est par exemple : si x t(x) = λ si x > 3x 2/3e λx/3 Exercice : F est strictement croissante d après les hypothèses de l énoncé et est continue sur R car c est la fonction de répartition d une variable à densité. Donc d après le théorème de bijection monotone, F réalise une bijection de R sur ]lim F;lim F[=];[. + On note G fonction de répartition de la VAR Y = F(X). Par définition G(x) = P(Y x) = P(F(X) x). Si x < alors G(x) = (il est impossible d avoir F(X) < ) Si x > alors G(x) = car l événement [F(X) ] est certain. Si x alors G(x) = P(X F (x)) = F(F (x)) = x. si x < On a donc G(x) = x si x. si x > On reconnait ici la fonction de répartition d une VAR qui suit une loi uniforme sur [;]. F(X) suit une loi uniforme sur [;]. Exercice 2:. Par définition F(x) = P(X x) = Si x < ln2 alors F(x) = Si ln2 x < alors Si x ln2 alors F(x) = ln2 Si x > ln2 alors F(x) = dt+ ln2 F(x) = ln2 dt+ dt =. ln2 e ( t) dt+ ln2 dt+ f(t)dt. e ( t) dt+ ln2 e ( t) dt = [ e t] x = ln2 ex 2 e t dt = [ e t] ln2 +[ e t] x = 2 e x + = 3 2 e x ln2 e t dt+ ln2 dt = [ e t] ln2 +[ e t] ln2 = Probabilités : Chapitre 4 Exercices Page 3 Variables aléatoires à densité
14 si x < ln2 e x si ln2 x < On a donc F(x) = e x si x ln2 si x > ln2 2. Par définition G(x) = P(Y x) = P( X x). Si x < alors G(x) = Si x alors P( X x) = P( x X x) = F(x) F( x). Donc si x > ln2, G(x) = = et si x ln2 alors G((x) = 3 2 e x e x + 2 = 2( e x ) si x < On a donc G(x) = 2( e x ) si x ln2. si x > ln2 On montre facilement que G est une fonction continue sur R et de classe C sur R\,ln2}. Y est donc bien une variable à densité et une densité de Y est par exemple 2e x si x [;ln2] g(x) = sinon Exercice 3:. Y(Ω) = N et pour tout N : P(Y = ) = P([X] = ) = P( X < +) = + f(t)dt 2. a) On a ici une équivalence à démontrer donc on va montrer les deux implications. : Si E(Y) existe alors On veut montrer que + tf(t)dt est convergente et vaut. Or on remarque que s il y a convergence : que + + = tf(t) dt est convergente. f(t) dt est convergente. tf(t)dt est convergente car on sait que f est nulle sur ];[ donc tf(t)dt = + + = On a t [; + ], tf(t) ( + )f(t) = f(t) + f(t) donc + f(t)dt. Onsaitque + tf(t) dt. Montrons donc plutôt + tf(t)dt f(t)dtconvergeetdeplus + f(t)dtconvergecar et vaut. Donc + tf(t)dt est convergente et ainsi tf(t) dt est convergente. + f(t)dt + f(t)dtconverge Probabilités : Chapitre 4 Exercices Page 4 Variables aléatoires à densité
15 X admet donc une espérance. : Si E(X) existe alors + tf(t) dt est convergente. Or on a + une espérance. f(t)dt + tf(t)dt donc + b) Supposons que E(X) existe (alors E(Y) existe). On a vu que = f(t)dt + f(t)dt tf(t)dt + + = E(Y) E(X) E(Y)+ + tf(t)dt f(t)dt est convergente et ainsi Y admet f(t)dt = f(t)dt f(t)dt+ + + = f(t)dt Exercice 4: ECRICOME 27. Une densité d une variable aléatoire suivant une loi exponentielle de paramètre est si x < g(t) = e x si x De plus on a E(X) = et V(X) =. 2. La fonction f est nulle sur ];[ donc sur cet intervalle c est une fonction continue et positive. Sur ];+ [ f est le produit de deux fonction continue sur ce même intervalle donc f est continue sur ];+ [. De plus sur cet intervalle x est positif et l exponentielle est toujours positive, donc f est positive sur cet intervalle. De plus lim f = lim f = = f() donc f est continue en. + Ainsi f est une fonction continue et positive sur R. Il nous reste à étudier la convergence et la valeur de l intégrale l intégrale f(x)dx = f(x)dx. Or on remarque que xg(x)dx et comme on sait que X admet un espérance on peut affirmer que f(x)dx est convergente et vaut E(X) =. Donc f est bien une densité de probabilité. Si E(T) existe, on a E(T) = xf(x)dx = x 2 g(x)dx. Comme on sait que X admet une variance, on peut donc dire que X admet un moment d ordre 2 et donc T admet une espérance. D après la formule de Kœnig, E(T) = E(X 2 ) = V(X)+E(X) 2 = 2 Ainsi le temps moyen de passage en caisse est de deux unités de temps. 3. a) Par définition de la fonction de répartition F T (x) = Si x <, F T (x) = dt = f(t)dt. Probabilités : Chapitre 4 Exercices Page 5 Variables aléatoires à densité
16 Si x, F T (x) = f(t) dt = dt+ On a donc bien b) On veut calculer F T (x) = te t dt = [ te t ] x + F t (x) = te t dt. Donc si x < (x+)e x si x e t dt = xe x e x + P([T ] [T 2]) P [T ] (T 2) = P(T ) P( T 2) = P(T ) = F T(2) F T () F T () = 3e 2 +2e = 2e 3 en multipliant en haut et en bas par e 2 2e 2e 4. a) Le client C pourra passer en caisse dès que le plus rapide de A ou B aura fini. Donc le temps d attente de C correspond au plus petit temps de passage entre A et B : M = min(t A,T B ) b) Les temps de passage T A et T B n étant jamais négatifs, lorsque t ];[, P(M t) =. Si t R +, alors P(M t) = P(M > t) = P([T A > t] [T B > t]) Dons on a bien = P([T A > t]) P([T B > t]) car les temps de passage des clients sont indépendants = ( F TA (t))( F TB (t)) = (t+)e t (t+)e t = (t+) 2 e 2t P(M t) = si t < (t+) 2 e 2t si t c) Notons H la fonction de répartition de M. (H(t) = P(M t)) Il nous faut montrer que H est une fonction continue sur R et C sur R sauf peut être en un nombre fini de point pour pouvoir affirmer que M est une variable à densité. Sur ] : [, H est la fonction nulle donc c est une fonction C. Sur ];+ [, les fonction t ( + t) 2 et t e t sont C donc H est de classe C sur cet intervalle. Il nous reste à étudier la continuité en. On a lim H = et lim H = = = H() donc + H est bien continue en. Ainsi H est une fonction continue sur R et de classe C sur R. M est donc bien une variable à densité. Pour obtenir une densité de M, il faut dériver H et compléter aux points oùh n est pas dérivable. Une densité de M est donc le fonction suivante : h(t) = si t < 2t(+t)e 2t si t Probabilités : Chapitre 4 Exercices Page 6 Variables aléatoires à densité
Commun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en détailFonctions de plusieurs variables. Sébastien Tordeux
Fonctions de plusieurs variables Sébastien Tordeux 22 février 2009 Table des matières 1 Fonctions de plusieurs variables 3 1.1 Définition............................. 3 1.2 Limite et continuité.......................
Plus en détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détaila et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b
I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailIntroduction. aux équations différentielles. et aux dérivées partielles
Université Claude Bernard, Lyon I Licence Sciences, Technologies & Santé 43, boulevard 11 novembre 1918 Spécialité Mathématiques 69622 Villeurbanne cedex, France L. Pujo-Menjouet pujo@math.univ-lyon1.fr
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailILT. Interfacultair Instituut voor Levende Talen. T@@lvaardig. Actes de communication. Serge Verlinde Evelyn Goris. Katholieke Universiteit Leuven
IL If I L S V Ey G Khk U L 13/02/02 pé? xp qé xp pz à pz p héhq pé p à q z p à p héhq fé à p à q pz xp q 'p (è) f, '-à- p. x. ' é ff. N xp à py qq' q z b ( f) P xp pô pp L p - pé pz ': z qq', q -? Bj,
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailMESURE ET INTÉGRATION EN UNE DIMENSION. Notes de cours
MSUR T INTÉGRATION N UN DIMNSION Notes de cours André Giroux Département de Mathématiques et Statistique Université de Montréal Mai 2004 Table des matières 1 INTRODUCTION 2 1.1 xercices.............................
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailExercices et corrigés Mathématique générale Version β
Université libre de Bruxelles Années académiques 2008-2050 Université catholique de Louvain Exercices et corrigés Mathématique générale Version β Laurent Claessens Nicolas Richard Dernière modification
Plus en détailRO04/TI07 - Optimisation non-linéaire
RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mthémtiques nnée 2009-2010 Chpitre 2 Le prolème de l unicité des solutions 1 Le prolème et quelques réponses : 1.1 Un exemple Montrer que l éqution différentielle :
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailEXERCICES - ANALYSE GÉNÉRALE
EXERCICES - ANALYSE GÉNÉRALE OLIVIER COLLIER Exercice 1 (2012) Une entreprise veut faire un prêt de S euros auprès d une banque au taux annuel composé r. Le remboursement sera effectué en n années par
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailÉVALUATION FORMATIVE. On considère le circuit électrique RC représenté ci-dessous où R et C sont des constantes strictement positives.
L G L G Prof. Éric J.M.DELHEZ ANALYSE MATHÉMATIQUE ÉALUATION FORMATIE Novembre 211 Ce test vous est proposé pour vous permettre de faire le point sur votre compréhension du cours d Analyse Mathématique.
Plus en détailNOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailPremière partie. Introduction à la méthodes des différences finies
Première partie Introduction à la méthodes des différences finies 5 7 Introduction Nous allons présenter dans cettte partie les idées de base de la méthode des différences finies qui est sans doute la
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailCours d Analyse I et II
ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE Cours d Analyse I et II Sections Microtechnique & Science et génie des matériaux Dr. Philippe Chabloz avril 23 Table des matières Sur les nombres. Les nombres
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailThéorie de la Mesure et Intégration
Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY 2 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailDÉRIVÉES. I Nombre dérivé - Tangente. Exercice 01 (voir réponses et correction) ( voir animation )
DÉRIVÉES I Nombre dérivé - Tangente Eercice 0 ( voir animation ) On considère la fonction f définie par f() = - 2 + 6 pour [-4 ; 4]. ) Tracer la représentation graphique (C) de f dans un repère d'unité
Plus en détailExercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1
Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a
Plus en détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détailRelation d ordre. Manipulation des relations d ordre. Lycée Pierre de Fermat 2012/2013 Feuille d exercices
Lycée Pierre de Fermat 2012/2013 MPSI 1 Feuille d exercices Manipulation des relations d ordre. Relation d ordre Exercice 1. Soit E un ensemble fixé contenant au moins deux éléments. On considère la relation
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailGénéralités sur les fonctions 1ES
Généraltés sur les fonctons ES GENERALITES SUR LES FNCTINS I. RAPPELS a. Vocabulare Défnton Une foncton est un procédé qu permet d assocer à un nombre x appartenant à un ensemble D un nombre y n note :
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en détailCorrigé du baccalauréat S Pondichéry 12 avril 2007
Corrigé du baccalauréat S Pondichéry 1 avril 7 EXERCICE 1 Commun à tous les candidats 4 points 1 a Les vecteurs AB et AC ont pour coordonnées AB ; ; ) et AC 1 ; 4 ; 1) Ils ne sont manifestement pas colinéaires
Plus en détailC1 : Fonctions de plusieurs variables
1er semestre 2012/13 CPUMP 3 U 11 : Abrégé de cours Compléments Analyse 3 : fonctions analytiques Les notes suivantes, disponibles à l adresse http://www.iecn.u-nancy.fr/~bertram/, contiennent les définitions
Plus en détailTout ce qu il faut savoir en math
Tout ce qu il fut svoir en mth 1 Pourcentge Prendre un pourcentge t % d un quntité : t Clculer le pourcentge d une quntité pr rpport à une quntité b : Le coefficient multiplicteur CM pour une ugmenttion
Plus en détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détail