Lagrange, où λ 1 est pour la contrainte sur µ p ).

Dimension: px
Commencer à balayer dès la page:

Download "Lagrange, où λ 1 est pour la contrainte sur µ p )."

Transcription

1 Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i = Er i et de covariances σ i,j = cov(r i, r j ) (i, j = 1,2,3). Valeurs numériques : µ = t (µ 1, µ 2, µ 3 ) = t (0.07, 0.10, 0.12) V = (σ i,j, i, j = 1, 2, 3) = Le but est de déterminer un portefeuille P composé d actions de ces trois types tel que la variance de la rentabilité de P, notée σp 2(= var r p), est minimale, sous la condition que l espérance de la rentabilité, notée µ p (= Er p ), est au moins égale à µ 0 = a) Formuler la minimisation de σp 2 en termes d un programme quadratique. Quelles sont les contraintes? b) Déterminer la fonction de Lagrange, et calculer les conditions du théorème de Kuhn-Tucker. (Noter λ 1 et λ 2 les multiplicateurs de Lagrange, où λ 1 est pour la contrainte sur µ p ). c) Admettons que l inverse de 2V µ 1 t µ 0 0 est donné par t En déduire la composition du portefeuille recherché. d) Étudier la composition du portefeuille optimal en fonction de µ 0 en faisant varier µ 0, de 0.1, entre 0.1 et 1. Ne pas exclure les ventes à découvert. Exercice 2 : Optimisation de forme Supposons qu on souhaite construire un parallélépipède rectangulaire (voir figure 1) de volume maximal à l aide de six rectangles qu on découpe dans une feuille de papier qui mesure 1 mètre sur 1 mètre. Admettons que l on ait déjà placé les six rectangles sur la feuille suivant la figure 2. b b c c 1 c b b a a 1 Fig. 1 Fig. 2 a Le but est de déterminer les valeurs de a, b et c dans la figure 2 telles que les rectangles tiennent sur la feuille et telles que le volume du parallélépipède soit maximal. Procédons la façon suivante : a) Posons a=1/2. Formuler le programme non linéaire qui permet de trouver ce volume maximal. 1

2 b) Résoudre ce programme non linéaire graphiquement. Si vous n y arrivez pas, déterminer la fonction de Lagrange et les conditions de Kuhn-Tucker, et résolvez le système d (in)égalités donnés par ces conditions. Remarquons que la fonction à maximiser n est pas concave, et que les conditions de Kuhn-Tucker ne sont donc pas suffisantes en général pour l optimalité de la solution. Il faut donc confirmer graphiquement que la solution trouvée par les conditions de Kuhn-Tucker est bien une solution optimale. c) Supposons maintenant qu on a découpé la feuille en petits carrés de 1cm par 1cm et qu on constitue les six rectangles en collant des petits carrés. De nouveau, on recherche un parallélépipède de volume maximal. Formuler le programme non linéaire qui permet de déterminer a, b et c tel que le volume du parallélépipède construit de cette façon soit maximal. Déterminer la fonction de Lagrange et les conditions de Kuhn-Tucker (la résolution du système n est pas demandée). Exercice 3 : Le problème du vendeur de journaux Soit x le nombre d exemplaires de journaux qu un vendeur de journaux achète le matin auprès de l éditeur (x u = nombre maximal d exemplaires) c le prix unitaire qu il paye à l éditeur q le prix auquel il vend le journal (q>c) ζ (variable aléatoire) le nombre d exemplaires effectivement demandés durant la journée y(x,ζ)=min(x,ζ) le nombre d exemplaires effectivement vendus w(x,ζ) le nombre d exemplaires ramenés à l éditeur le soir r le prix unitaire que l éditeur paye pour les exemplaires retournés (q>c>r) Données : q, c, r et la fonction de répartition F de ζ et u. Question : Comment le vendeur doit-il choisir x pour que l espérance de son bénéfice soit maximal? Exercice 4 : Le problème de l agriculteur Supposons que les données pour la plantation et la vente de froment et d avoine sont les suivantes : f roment avoine Rendement moyen (tonnes/ares) Coût de plantation ( /are) Prix de vente ( /tonne) Minimum exigé (tonnes) Prix d achat (par tonnes) Supposons que la surface totale disponible est de 500 ares. But: minimiser le coût total de l agriculteur sachant qu il achète du froment et de l avoine sur le marché s il n arrive pas au minimum exigé et qu il vend le surplus par rapport à ce minimum au prix de vente indiqué. Hypothèse : le rendement dépend des conditions climatiques non prévisibles. L agriculteur estime que le rendement (tonnes/are) est une variable aléatoire uniformément distribuée sur [a,b] où a est 80% du rendement moyen et b est 120% du rendement moyen. Ces rendements effectifs, notés ζ i, sont des variables aléatoires indépendantes. Exercice 5 : Reprenons le problème non linéaire de la production traité en cours : Maximiser f(x 1, x 2 ) = 5x 1 + 5x 2 x 2 1 x2 2 sous les hypothèses x 1 + 2x 2 8 0, 3x 1 + x 2 9 0, x 1, x 2 0 2

3 a) Retrouver la solution optimale obtenue en cours en appliquant le théorème de Kuhn-Tucker. Donner en particulier la fonction de Lagrange, calculer les conditions du théorème de Kuhn-Tucker (sont-elles nécessaires et/ou suffisantes), et résoudre le système d (in)égalités. b) Résoudre le programme non linéaire (quadratique) en le transformant en un programme linéaire avec une contrainte non linéaire (voir section I.3 du cours) et en appliquant le simplexe. Exercice 6 : Soit le programme non linéaire : maximiser f(x 1, x 2 ) = 36x 1 + 9x 2 1 6x x 2 3x 3 2 sous les hypothèses x 1 + x 2 3, x 1, x 2 0 Le point x = (1,2) est-il solution optimale de ce programme? Exercice 7 : Minimiser f(x 1, x 2 ) = 20x x 2 + 3x x2 2 sous les hypothèses 2x 1 x 2 6, x 1 + x 2 10, 2x 1 + 3x 2 8, x 1, x 2 0 Exercice 8 : Résoudre le programme suivant à l aide des conditions de Kuhn-Tucker ou à l aide de l algorithme applicable aux programmes quadratiques : Maximiser f(x 1, x 2 ) = 8x 1 + 4x 2 x 2 1 x2 2 sous les hypothèses x 1 + x 2 2, x 1, x 2 0 Exercice 9 : Considérons le programme quadratique de maximisation donné par ( ) ( ) c = (2, 3) t b = (3, 5) Q = A = la notation est celle de la section I.3 du cours. Déterminer le système d équations linéaires à résoudre pour obtenir la solution optimale. Exercice 10: Minimiser f(x 1, x 2,..., x n ) = x 2 1 x 2 + x 2 2 x 3 + x 2 3 x x 2 n x 1 n sous les hypothèses x i = 1, x i 0 (i=1,2,3..,n) Exercice 11: i=1 Minimiser f(x 1, x 2, x 3 ) = x x x x 1 x 2 + x 2 x 3 sous les hypothèses x 1 2, x 2 4, x 3 0 Exercice 12: Considérons 2 types de titres sous risque dont les rendements notés r 1 et r 2 sont considérés comme des variables aléatoires d espérance µ 1 = Er 1 = 0.08, et µ 2 = Er 2 = 0.010, de variances σ 2 1 = var r 1 = et σ 2 2 = var r 2 = et de covariance σ 12 = Ajoutons un troisième titre sans risque dont le rendement est r 3 = Le but de cette question est de constituer un portefeuille P composé de ces trois titres tel que l espérance 3

4 du rendement de P, noté µ p est au moins égal à 0,075 et tel que la variance du rendement de P est minimale. 1) Formuler un programme non linéaire dont la solution optimale est le portefeuille recherché. 2) Déterminer la fonction de Lagrange et les conditions de Kuhn-Tucker (la résolution du système d (inégalités n est pas demandée). 3) Les conditions de Kuhn-Tucker en partie 2) sont-elles suffisantes ou seulement nécessaires pour une solution optimale du programme non linéaire. Justifier votre réponse. Exercice 13: Considérons le programme (P) suivant: Maximiser f(x 1, x 2 ) = 4x 1 + 6x 2 x 3 1 2x 2 2 sous les hypothèses x 1 + 3x 2 5, 5x 1 + 2x 2 7, x 1, x 2 0 Le but est de remplacer (P) par une approximation linéaire par partie et de le ramener à un programme linéaire. a) Soit f 1 (x 1 ) = 4x 1 x 3 1 et f 2(x 2 ) = 6x 2 2x 2 2. Calculer l approximation linéaire par partie de f 1 qui passe par les points (x 1i,f 1 (x 1i )) et l approximation linéaire par partie de f 2 qui passe par les points (x 2i,f 2 (x 2i )) où x 11 = x 21 = 0.5, x 12 = x 22 = 0.75, x 13 = x 23 = 1, x 14 = x 24 = 1.25 et x 15 = x 25 = 1.5. b) Formuler un programme linéaire qui permet de trouver un point x = (x 1, x 2 ) où x 1 est combinaison convexe de deux valeurs successives x 1,j et x 1,j+1 où x 2 est combinaison convexe de x 2,i et x 2,i+1, tel que x est solution réalisable de (P) et tel que x est point maximal de l approximation linéaire par partie de f. (La résolution de ce programme linéaire n est pas demandée.) 4

5 Chapitre 2 a) Chaînes de Markov Exercice 1 : Soit X(t) le nombre d unités d un produit en stock chez un vendeur à la fin de la semaine t. Supposons que le vendeur commande 3 unités de produit si X(t) = 0 et qu il ne commande rien si X(t) 1. Supposons aussi que les unités commandées en fin de semaine sont livrées et disponibles au début de la semaine suivante. Question préliminaire : Supposons que X(0) = 3. Quel est l ensemble S des valeurs possibles de X(t) pour t > 0. 1) Quelles sont les hypothèses qui permettent de modéliser (X(t), t 0) comme chaîne de Markov avec des probabilités de transition stationnaires? 2) Supposons que (X(t), t 0) est une chaîne de Markov avec des probabilités de transition stationnaires. Supposons que les probabilités de transition p ij = p(x(t + 1) = j/x(t) = i) sont données par la matrice P = (p ij, i, j = 1, 2, 3) = Le vendeur se demande comment il peut obtenir d éventuelles prévisions sur deux semaines. On lui propose de calculer la matrice des probabilités de transition P(X(t + 2) = j/x(t) = i) (i, j S). Énoncer la formule qui permet de calculer cette matrice à partir de P. En déduire la formule pour la loi de X(2) sachant que X(0) = 3, cad la formule pour calculer les probabilités que X(2) = j sachant que X(0) = 3 (j S). Effectuer une évaluation numérique pour j=2. 3) Le vendeur aimerait connaître la loi que X(t) suit à longue durée. On lui propose alors de calculer la loi stationnaire en admettant qu elle existe. Énoncer et résoudre le système d équations qui permet de calculer cette loi. Exercice 2 : Supposons que le cours d échange à Paris de l US -Dollar ($) est aujourd hui égal à X 0 (nombre entier de centimes d euros). Les autorités monétaires interviennent dès que le cours du $ atteint les limites d une certaine fourchette, notée [X min ;X max ]. Supposons que X max X min = 6 centimes. Supposons aussi que l évolution du cours d échange est réglée par le modèle suivant d une chaîne de Markov à valeurs dans {X min, X min + 1, X min + 2,...,X max } : (i) si, pour n 1, X n 1 ]X min, X max [, alors X n = X n 1 + Z n où Z n prend les valeurs -1, 0, +1 avec probabilité égale à 1/3, (ii) si, X n 1 = X min, alors X n = X n 1 + Z n où Z n prend les valeurs 0, +1 avec probabilité égale à 1/2, (iii) si X n 1 = X max, alors X n = X n 1 + Z n où Z n prend les valeurs -1, 0 avec probabilité égale à 1/2, Supposons que les variables aléatoires Z n sont indépendantes. a) Justifier brièvement qu il s agit bien d une chaîne de Markov. Déterminer la matrice P de ses probabilités de transition. b) Supposons qu un chef d entreprise doive acquérir aux Etats Unis des matières premières dans 3 mois. Il est donc intéressé par la loi de X 90 et les probabilités de transition P(X 90 = j/x 0 = i). Comment peut-il calculer ces probabilités de transition à partir de P? 5

6 Exercice 3 : Le producteur d un certain dentifrice, nommé A dans la suite, contrôle actuellement 60% du marché d une région. La comparaison avec les chiffres de l année précédente montre que 88% des consommateurs de A sont restés fidèles à A, tandis que 12% utilisent maintenant le dentifrice du concurrent, nommé B dans la suite. En plus, pour la même période, 85% des utilisateurs de B sont restés fidèles à B, tandis que 15% ont changé et utilisent maintenant le dentifrice A. a) Quelles sont les hypothèses qui permettent de décrire le comportement de la clientèle par une chaîne de Markov? Déterminer sa matrice de transition. b) Supposons que le comportement de la clientèle reste le même dans le futur. Quelle sera la partie du marché contrôlée par A dans 5 ans? à long terme? c) Répondre aux questions posées en b) si la partie du marché contrôlée actuellement par A n est pas 60% mais 90%. Exercice 4 : Soient M1 et M2 deux machines qui font partie d un système de production et qui sont révisées dès qu elles cessent de fonctionner régulièrement. Supposons que la révision d une machine est effectuée le jour même et qu elle refonctionne le lendemain, sauf si les deux machines cessent de fonctionner le même jour. Dans ce cas la réparation de M1 est prioritaire, c est-à-dire que M1 est révisée et fonctionne le lendemain, mais M2 reste en attente et sera révisée le lendemain seulement. Et si M1 retombe en panne le lendemain, M2 attendra encore et sera révisé le jour suivant seulement. On peut supposer que les durées de fonctionnement de chaque machine entre deux révisions sont des variables aléatoires indépendantes et que les deux machines fonctionnent indépendamment l une de l autre. Il y a donc quatre états qui sont possibles chaque jour : 1. M1 et M2 fonctionnent 2. M1 est en révision et M2 fonctionne 3. M1 fonctionne et M2 est en révision 4. M1 est en révision et M2 en attente Le but de cette question est de décrire l état X n des machines au jour n à l aide d une chaîne de Markov. a) Soit p 1 (resp. p 2 ) la probabilité que M1 (resp. M2) doit être révisée (ces probabilités sont supposées égales à chaque jour n). Déterminer les probabilités de transition p i,j = P(X n+1 = j/x n = i) (i, j = 1, 2, 3, 4) en fonction de p 1 et p 2. b) Évaluer le résultat en partie a) pour p 1 = 3/10 et p 2 = 1/3. Donner le système d équations qu il faut résoudre pour obtenir les probabilités stationnaires de X n. Quelle est l utilité de ces probabilités dans ce cas? Exercice 5 : Supposons qu un programme de formation d inspecteurs de production comporte deux étapes : 1) une formation théorique de 3 semaines, et 2) un stage de 3 semaines sous la direction d un inspecteur certifié. L expérience montre que 60% des personnes inscrites en 1ère étape seront admises et passeront en seconde étape; les autres 40% quitteront la formation définitivement. 70% des personnes admis en stage seront diplômés inspecteur de production, 10% répéteront le stage et 20% quitteront définitivement la formation. a) Modéliser le flux des personnes concernées par cette formation à l aide d une chaîne de Markov en supposant que les inspecteurs de production ne quittent pas leur fonction. Déterminer en particulier la matrice des probabilités de transition P pour les quatre états possibles de cette chaîne de Markov. b) Supposer qu il y a actuellement 45 personnes inscrites en 1ère étape et 21 personnes inscrites en 2nde étape. Écrire cette donnée en terme de loi initiale de la chaîne P(X 0 = i) i = 1, 2, 3, 4. 6

7 Quel est, à long terme, le pourcentage des personnes qui auront quitté la formation (sans devenir inspecteur), le pourcentage des personnes qui seront inspecteur de production, en admettant que lim n (existe et) est donnée par / /15 2/ / (Dans cette matrice la succession des quatre états possibles est la suivante : quitter, en 1 er étape, en 2 e étape, inspecteur.) c) Déterminer les mêmes probabilités sous l hypothèse qu actuellement il y a 66 personnes en 1ère étape et aucune en 2nde étape. d) On s aperçoit que les résultats de b) et c) sont différents, un fait qui est à première vue en contradiction avec ce qui a été dit sur les probabilités stationnaires. Expliquer. Exercice 6 : prévision du temps On considère le modèle suivant de prévisions : jour : (n 1, n) n + 1 Probabilité (pluie,pluie) pluie 0.6 (pluie,soleil) soleil 0.75 (X n 1, X n ) = = X (soleil,pluie) pluie x (soleil,soleil) soleil 0.8 On considère Y n = (X n 1, X n ). 1) Montrer que (Y n, n 1) est une chaîne de Markov. Déterminer les états possibles. Quelle est la matrice des probabilités de transitionă? 2) Justifier le fait que la chaîne est récurrente positive et apériodique. Déterminer le système d équations linéaires à résoudre pour obtenir la loi stationnaire. Exercice 7 : contrôle de production Notons p la probabilité qu une pièce fabriquée en ligne est défectueuse (0<p<1). Supposons que le contrôle de qualité se fait en 2 phases de la façon suivante : Phase A: une pièce qui sort de la production est contrôlée avec probabilité r (0<r<1) Phase B : toutes les pièces produites sont contrôlées Supposons que le contrôle change de la phase A vers la phase B dès qu une pièce défectueuse a été détectée et qu on change de la phase B vers la phase A dès que N pièces successives non défectueuses ont été contrôlées. Le système de contrôle se trouve dans un des états suivants : - E j, j = 0, 1, 2,...N 1 contrôle en phase B avec j pièces successives non défectueuses - E N contrôle en phase A. 1) Notons X n l état du contrôle à l instant n. Démontrer que (X n, n 0) est une chaîne de Markov. Donner sa matrice et son graphe de transition. 2) Justifier les hypothèses du théorème II.2. Quelle est la loi stationnaireăde X n? 3) Quelle est la proportion de pièces contrôlées? Déterminer l efficacité du contrôle défini par le quotient du nombre de pièces défectueuses détectées et le nombre de pièces défectueuses. (On pourra calculer l efficacité à partir de la loi stationnaire). 7

8 Exercice 8 : bonus-malus pour l assurance voiture Il est bien connu que si on roule pendant un an sans accident on profite d un bonus et si on produit un ou plusieurs accidents on a un malus qui croit avec le nombre et la gravité des accidents. Le modèle comporte : l classes notées, 1, 2... l où l est la meilleure classe (super bonus) b = (b 1...b l ) le vecteur des primes que l assuré doit payer en fonction de sa classe b 1 b 2... b l. T = (t ij, i, j = 1,...l) la matrice des règles de transition où { } 1 si la police est transférée de la classe i vers la classe j t ij = 0 sinon En général, T dépend du nombre d accidents T=T(k) où k, un entier, est le nombre d accident au cours de l année. I 0 est la classe initiale d un nouvel assuré Une loi pour le nombre d accidents, par exemple loi de Poisson de paramètre donné λ > 0, est donnée par P(nb d accidents=k) = e λ λ k k=0,1,... k! Supposons que les nombres d accidents des années successives sont indépendants. Exemple : classe prime k=0 k=1 k=2 k 3 j b j Transfert vers la classe Soit X n la classe où se trouve l assuré pour la nième année. 1) Démontrer que (X n, n 0) est une chaîne de Markov. Donner sa matrice de transition. Supposons que λ = ) Supposons que I 0 =3. Déterminer la loi de X 2. 3) Supposons maintenant que λ est passé à λ = 0.3. Déterminer à nouveau la loi de X 2. 4) Comparer les moyennes et variances des primes correspondantes. 5) Calculer la loi stationnaire de la chaîne. Exercice 9 : Le but de cette question est d étudier le fonctionnement d un canal de transmission à l aide d une chaîne de Markov. Supposons que cette chaîne comporte 4 états notés E i, i=0, 1, 2, 3. L état de la chaîne est E i (i=0, 1, 2, 3) si i bits ont été transmis de façon erronée depuis le dernier bit transmis correctement. Si quatre bits ont été transmis de façon erronée depuis le dernier bit transmis correctement, le canal est réinitialisé et se comporte comme s il se trouvait à l état E 1. Notons X n l état de cette chaîne à l instant n N. Admettons que la matrice P = (P(X n+1 = j/x n = i) i, j = 0, 1, 2, 3) est donnée par p = Supposons qu initialement (à l instant n=0) un bit a été transmis correctement et qu à l instant n=1, une erreur s est produite (X 1 = E 1 ). 8

9 1) Calculer les probabilités que X 2 = E j sachant que X 1 = E 1, j=0, 1, 2, 3. 2) Calculer les probabilités que X 3 = E j sachant que X 1 = E 1, j=0, 1, 2, 3. 3) Énoncer les conditions suffisantes pour l existence d une loi stationnaire pour (X n, n 0). Donner des arguments simples qui justifient que ces conditions sont satisfaites dans le cas présent. (Une démonstration complète n est pas exigée). 4) Déterminer le système d équations à résoudre pour obtenir cette loi stationnaire. Noter, π i = P(X n = e i ), i=0, 1, 2, 3 les probabilités stationnaires. (La solution numérique de ce système n est pas demandée). 5) Admettons que la loi stationnaire de (X n, n 0) est donnée par π = (0.917; 0, 032; 0.027; 0.024). Quelle est la probabilité qu un bit choisi au hasard soit le deuxième ou le troisième bit transmis de façon erronée après le dernier bit transmis correctement? Exercice 10: Considérons une chaîne de Markov en temps continu (X t, t 0) prenant deux valeurs (S = {0, 1}) (par exemple un guichet avec/sans client). Supposons que : p 01 (h) = λh+o(h) p 10 (h) = µh+o(h) p 00 (h) = 1 λh+o(h) p 11 (h) = 1 µλ+o(h), h 0, où λ, µ > 0 1) Déterminer explicitement la matrice P ij (t) = (p ij ; i, j = 0, 1). Indication : Appliquer l égalité de Chapman-Kolmogorov à p ij (t + h) et en déduire une équation différentielle pour p ij (t). Résoudre cette équation en admettant que la solution de l équation f (t) = (a + b)f(t) + b, f(0) = 1 est donnée par f(t) = a a + b e (a+b)t + b a + b 2) Déterminer la limite de P(t) quand t. En déduire la loi stationnaire de X. Quelle est son interprétation? Exercice 11: Considérons n machines identiques qui tombent en panne avec un taux µ : cad que la probabilité qu une machine tombe en panne entre t et t + t est égal à µ t. Supposons aussi que les pannes des différentes machines sont indépendantes les unes des autres. Une intervention rapide lors d une panne étant souhaitée, le responsable du fonctionnement envisage deux stratégies : i) Engager R réparateurs (R < n). Lors d une panne un réparateur se déplace vers la machine en question pour la réparer. Si la panne intervient quand tous les réparateurs sont occupés, les réparations ont lieu dès qu un réparateur est libre et dans l ordre de l occurrence des pannes. ii) Engager un seul réparateur, mais acheter s machines en réserve. Lorsqu une machine en service tombe en panne et la réserve n est pas vide, une machine en réserve prend la place de celle tombée en panne, la durée d interruption est supposée négligeable. La machine tombée en panne est réparée si (ou dès que) le réparateur est libre. La machine réparée est mise en réserve. Si la réserve est vide, il faut attendre qu une machine sorte de réparation. Dans les deux cas, la durée de réparation est supposée aléatoire de loi exponentielle de paramètre λ. Supposons pour l évaluation numérique que n = 4, µ = 1 6 (par jour), λ = 1(par jour), R = 2, s = 2. A) Soit (X t, t 0) le nombre de machines en état de fonctionnement au temps t selon la stratégie ii). a) Justifier à l aide du graphe des probabilités de transition qu il s agit d un processus de naissance et de mort. Quels sont les taux de naissance, les taux de mort? b) Déterminer les probabilités stationnaires. Comment les interpréter dans cet exemple? Déterminer l espérance du nombre de réparateurs inoccupés et l espérance du nombre de machines en panne sous le régime stationnaire. B) Soit (Y t, t 0) le nombre de machines en état de fonctionnement (en service ou en réserve) au temps t selon la stratégie i). a) Justifier à l aide du graphe des probabilités de transition qu il s agit d un processus de naissance et de mort. Quels sont les taux de naissance? les taux de mort? 9

10 b) Déterminer les probabilités stationnaires. Déterminer l espérance du nombre (fractionnaire) de réparateurs inoccupés. c) Déterminer l espérance du nombre de machines en panne sous le régime stationnaire : - parmi le total des 6 machines, - parmi les 4 machines en état de fonctionnement. C) Pour faire une comparaison économique des deux stratégies, on se donne les coûts suivants : 500 le salaire journalier d un réparateur 2000 par machine et par jour la perte causée par l indisponibilité d une machine 300 le coût d amortissement par machine et par jour. Quelle est la stratégie qui minimise l espérance de la somme suivante : Coût de l inactivité des réparateurs + perte causée par l indisponibilité des machines + coût d amortissement des machines (par jour). Exercice 12: Le but de cette question est d étudier le flux des appels passant par un central téléphonique qui dispose de 6 lignes extérieures. Supposons que le temps d attente entre deux appels consécutifs et la durée des conversations sont des variables aléatoires indépendantes qui suivent des lois exponentielles de paramètres µ (pour le temps d attente) et (pour la durée des conversations). Soit Z t le nombre de lignes libres au temps t (Z t {0, 1, 2, 3,..., 6}). a) Justifier brièvement que, sous les hypothèses faites ci-dessus (Z t, t 0) est une chaîne de Markov à temps continu. b) Supposons que la durée d attente moyenne entre deux appels est de 6 minutes et que la durée moyenne d une conversation est de 12 minutes. En déduire les valeurs de λ et µ. c) Admettre les probabilités de transition suivantes de (Z t, t 0) (voir le cours pour une justification) P(Z t+h = i + 1/Z t = i) = 1 e λh(6 i) i = 0, 1, 2, 3, 4, 5 et P(Z t+h = j 1/Z t = j) = 1 e µh(6 i) j = 1, 2, 3, 4, 5, 6 En déduire les intensités, notées λ i, d un saut positif et les intensités, notées µ i, d un saut négatif. d) Donner la formule qui permet de calculer les probabilités stationnaires de (Z t, t 0). En déduire la valeur numérique de la probabilité que - aucune ligne n est occupée, - aucune ligne n est libre. Exercice 13: Un atelier dispose de cinq machines qui tombent en panne selon un processus de Poisson d intensité λ = 1/8 par heure. La durée de réparation d une machine est de 5 heures en moyenne et suit une loi exponentielle. L atelier dispose de deux mécaniciens (pour réparer les machines tombées en panne) et de trois ouvriers (qui travaillent sur les machines lorsqu elles fonctionnent). Il est impossible qu un ouvrier ou un mécanicien travaille sur plus d une machine en même temps. Toute machine en production (un ouvrier travaille sur la machine) rapporte un bénéfice de 100 euros par heure. Les salaires d un mécanicien et d un ouvrier sont de 40 euros et de 30 euros par heure, respectivement. On suppose que tout temps non travaillé est coûteux, qu il s agisse d un ouvrier ou d un mécanicien. En plus on suppose que chaque machine en état de fonctionnement peut tomber en panne, indépendamment du fait qu un ouvrier travaille sur la machine ou non. Le but est de décrire le fonctionnement de l atelier à l aide d une chaîne de Markov à temps continu. Soit X t le nombre de machines en panne au temps t. a) Donner une représentation graphique des intensités de transition. b) Déterminer les probabilités stationnaires. En déduire le nombre moyen de machines en panne. c) Déterminer le temps moyen de production perdu chaque heure si 0, 1 ou 2 machines seulement fonctionnent, par le manque d ouvriers, si 4 ou 5 machines fonctionnent, 10

11 si un ou les deux mécanicien(s) ne travaille (nt) pas parce qu une ou zéro machine seulement est en panne. d) En déduire l espérance des recettes provenant des machines en production et l espérance des pertes causées par les évènements décrits en partie c). e) Etudier de la même façon les cas où l atelier fonctionne avec i mécaniciens et j ouvriers (i = 2, 3 ; j = 1, 2, 3, 4, 5). En déduire la composition optimale de l atelier. 11

12 b) Files d attente Exercice 1 : Une station de taxis permet à quatre taxis au maximum de s arrêter pour attendre les clients. Les taxis arrivent à la station de façon aléatoire suivant une loi de Poisson d intensité égale à µ (taxis par minute). Lorsque la station est complète, les taxis poursuivent la route, sinon ils s arrêtent pour attendre les clients en se mettant en dernière position de la file d attente. Les clients arrivent de façon aléatoire suivant une loi de Poisson d intensité égale à λ (clients par minute). Ils se mettent en dernière position de la file d attente. On observe qu ils renoncent à attendre s il y a cinq clients qui attendent déjà. a) Décrire les évènements à la station de taxis par un processus de naissance et de mort. Donner en particulier le graphique des intensités de transition. b) Calculer les probabilités stationnaires. c) Quel est le nombre moyen par heure de taxis qui arrivent à la station sans pouvoir s arrêter? Quel est le nombre moyen par heure de clients qui renoncent à attendre? d) Application numérique : λ = 1.2; µ = 1. Exercice 2 : Dans un petit magasin d alimentation il y a une seule caisse, et, en périodes creuses de la journée, la personne à cette caisse aide aussi les clients à mettre dans des sachets les produits qu ils ont achetés. Les clients arrivent à la caisse selon un processus de Poisson, en moyenne 30 clients par heure. Le temps d un service d un client suit une loi exponentielle de moyenne égale à 2 minutes. Dès qu il y a 3 clients ou plus à la caisse (le client en cours d être servi inclus) une seconde personne se rend à la caisse pour mettre en sachets les produits que les clients ont achetés. La durée de service d un client suit toujours une loi exponentielle, mais la moyenne se réduit à une minute. Déterminer a) la loi stationnaire du nombre de clients à la caisse, b) le nombre moyen de clients à la caisse et le nombre moyen de clients dans la file d attente. Exercice 3 : Supposons qu il y a trois agents à un aéroport pour effectuer les formalités de douane. Les voyageurs arrivent selon un processus de Poisson à raison d un voyageur toutes les trois minutes en moyenne. La durée de l enregistrement est une variable aléatoire de loi exponentielle de moyenne égale à deux minutes. a) Préciser de quelle file d attente il s agit. b) Quelle est la probabilité qu il n y a aucun voyageur à l enregistrement? c) Quelle est la probabilité que les trois agents sont occupés? d) Quel est le nombre moyen de voyageurs qui attendent leur tour? e) Quelle est la durée d attente moyenne avant l enregistrement? Exercice 4 : Le site "auto wash self service" dispose de 4 tunnels de lavage où les clients peuvent laver leur voiture (une voiture par tunnel) et de 3 places d attente pour les clients qui arrivent lorsque les 4 tunnels sont occupés. Supposons que les clients arrivent selon un processus de Poisson à une fréquence moyenne de 15 voitures par heure et que la durée d un lavage est de 12 minutes en moyenne et suit une loi exponentielle. Supposons en plus qu un client qui arrive à un instant où les tunnels et les places d attente sont occupés, va laver sa voiture ailleurs. a) De quel type de file d attente s agit-il? Pour répondre aux questions suivantes on suppose que les arrivées et les départs peuvent être décrits par des probabilités stationnaires. b) Quelle est la probabilité qu il n y a pas de clients au site? c) Quel est le nombre moyen de clients dans la file d attente? Quelle est la durée moyenne qu un client 12

13 passe dans la file d attente? d) Quelle est le nombre moyen (par heure) de clients qui n ont pas d accès au site parce qu il est complet? Exercice 5 : Supposons qu une grande société de location de voitures doit se décider pour un des deux garages G1 ou G2 pour effectuer l entretien de ses voitures. Elle estime que toutes les 40 minutes en moyenne une de ses voitures se rend au garage. Chez G1, il y a deux stations de service à disposition, et il faut prévoir 30 minutes en moyenne pour un service. Chez G2, il y a une seule station plus moderne et la durée moyenne d un service est de 15 minutes. On peut supposer que les intervalles entre deux arrivées successives de voitures et les durées de service sont des variables aléatoires indépendantes qui suivent des lois exponentielles. En plus, on suppose que la société enverra ses voitures au garage choisi quelle que soit la longueur de la file d attente des voitures à ce garage. 1) Supposons que la société choisit le garage G1. De quel modèle de file d attente s agit il? Calculer le nombre moyen N s de voitures qui se trouvent, à un certain instant t, au garage G1. Calculer de même le nombre moyen N w de voitures qui se trouvent en file d attente et la durée moyenne T s d un séjour d une voiture au garage G1. Indication : Effectuer les calculs sous le régime de la loi stationnaire. 2) Supposons que la société choisit le garage G2. De quel modèle de file d attente s agit-il? Calculer les mêmes quantités N s, N w et T s pour le garage G2. 3) Soit C1 (resp. C2) le coût par heure du séjour d une voiture au garage G1 (resp. G2). Déduire des résultats de 1) et 2) des conditions sur C1 et C2 qui impliquent que le coût de l entretien des voitures de la société est moins élevé au garage G1 qu au garage G2. Exercice 6 : Partie A: Un médecin a observé que la durée moyenne d une consultation est de 15 min. Il se dit qu en convoquant ses patients à des heures fixées, séparées par un intervalle de 20 min, il verra décroître l excessive occupation de sa salle d attente. En fait la durée des consultations suit une loi exponentielle et l arrivée des clients, qui ont toujours une bonne excuse pour se présenter aléatoirement, peut être assimilée à une loi de Poisson. 1. Expliquer comment modéliser par une file d attente. 2. Calculer le nombre moyen de clients dans le cabinet. 3. Calculer le nombre moyen de clients dans la salle d attente et le temps d attente moyen. 4. Calculer les probabilités stationnaires si elles existent. 5. En déduire le temps où le médecin est inoccupé en une heure. Rem: on peut calculer la probabilité qu un patient attende plus d une heure (resp. plus de deux heures): 0,276 (resp. 0,101). Partie B: Le médecin décide de convoquer les patients toutes les 25 min. 1. Calculer et le temps d attente moyen dans la salle d attente. 2. Déterminer le temps où le médecin est inoccupé en une heure. Rem: on peut calculer la probabilité qu un patient attende plus de 68 min : Partie C: Le médecin s adjoint un jeune confrère (mais qui ne rapporte pas de nouvelle clientèle); tout patient est reçu indifféremment par l un ou l autre médecin. 1. Pendant quelques jours, des rendez-vous ayant déjà été pris, l intervalle de 20 min entre convocation est maintenu. a) Expliquer comment modéliser par une file d attente. b) Calculer les probabilités stationnaires si elles existent. c) Calculer le temps d attente moyen dans la salle d attente. Rem: on peut calculer la probabilité qu un patient attende plus de une heure : Chacun des médecins souhaitent assurer trois consultations par heure en moyenne. a) Déterminer l intervalle de temps entre les convocations. 13

14 b) Calculer le temps d attente moyen dans la salle d attente. c) Déterminer le temps où les médecins sont inoccupés en une heure. Rem: on peut calculer la probabilité qu un patient attende plus de une heure : Exercice 7 : Partie A: Dans une entreprise, il existe un bureau de la Sécurité Sociale, auquel les ouvriers ont accès pendant les heures de travail. On suppose que les arrivées au guichet se font suivant la loi de Poisson avec un taux de 0.25 arrivées par minute. La loi des services est exponentielle, il faut en moyenne 3.27 min pour servir un client. 1. Déterminer le nombre moyen de clients à la Sécurité sociale. 2. Déterminer le temps moyen d attente dans la file d attente. 3. En supposant que les ouvriers travaillent 8h par jours, en déduire le temps perdu par les ouvriers (qui ne participent pas à la production). 4. Déterminer la durée d occupation du guichetier sur 8 heures de travail. Partie B: On cherche à optimiser le nombre de guichetiers (1, 2, 3... ). 1. Expliquer comment modéliser par une file d attente. 2. Pour 1, 2, 3 guichetier(s), déterminer le temps d attente dans la file d attente et la probabilité que le(s) guichetier(s) soi(en)t inoccupé(s). 3. En supposant que le coût de l inactivité des employés représente le salaire (et les charges) soit de 12 de l heure et que le temps perdu en attente par les ouvriers peut être évalué à 50 de l heure, déterminer les pertes pour 1, 2, 3 guichetier(s). Conclure. Exercice 8 : Supposons que la fabrication d une pièce se fasse en plusieurs étapes et que, pour une certaine étape, on envisage l intervention d une des machines de type M1 ou M2, disponibles sur le marché. Le but de cette question est de fournir une aide à la décision pour l achat de l une ou l autre de ces 2 machines. Sur la machine M1, il est possible de traiter 2 pièces simultanément, et il faut compter 3 min en moyenne pour le traitement d une pièce. Avec la machine M2, il n est pas possible de traiter 2 pièces simultanément, mais le temps moyen de traitement d une pièce est de 1.5 min seulement. Supposons que l intervalle entre 2 arrivées successives de pièces à traiter sont des variables aléatoires indépendantes de même loi exponentielle et qu en moyenne une pièce à traiter arrive toutes les 4 min. Supposons en plus que les durées de traitement d une pièce sont, sur les deux machines, des variables aléatoires indépendantes de lois exponentielles. Procédons à une comparaison de M1 et M2 à l aide de modèles de file d attente. Partie A: Considérons d abord M1. 1. Quel est le type de file d attente qui décrit le passage des pièces? 2. Sous la loi stationnaire, calculer le nombre moyen de pièces dans le système le nombre moyen de pièces en attente la durée moyenne passée par une pièce dans le système. Partie B: Considérons M2. Mêmes questions que pour la partie A. Partie C: Pour une comparaison simple de M1 et M2, notons C1 (resp. C2) le coût par minute que cause une pièce qui se trouve en état d attente ou de traitement par la machine de type M1 (resp. M2). Quelle est la valeur maximale du quotient C1/C2 pour que le coût total avec M1 soit en moyenne inférieur à celui avec M2? 14

Baccalauréat ES/L Amérique du Sud 21 novembre 2013

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée

Plus en détail

Processus aléatoires avec application en finance

Processus aléatoires avec application en finance Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et

Plus en détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 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

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Gestion scientifique des stocks

Gestion scientifique des stocks Gestion scientifique des stocks Boualem RABTA Université de Béjaia (Algérie) 13/03/2007 Table des matières 1 Gestion des stocks 2 1.1 Définition...................................... 2 1.2 La fonction

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 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 détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013. Calculatrice autorisée - Aucun document n'est autorisé.

Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013. Calculatrice autorisée - Aucun document n'est autorisé. TES Spé Maths Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013 Calculatrice autorisée - Aucun document n'est autorisé. Vous apporterez un grand soin à la présentation et à la

Plus en détail

Variables aléatoires continues

Variables aléatoires continues IUT Aix-en-Provence Année 204-205 DUT Informatique TD Probabilités feuille n 6 Variables aléatoires continues Exercice (La station-service) Dans une station-service, la demande hebdomadaire en essence,

Plus en détail

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 huitième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 Soit X une variable aléatoire continue de fonction de densité

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation

Plus en détail

Mth2302B - Intra Été 2011

Mth2302B - Intra Été 2011 École Polytechnique de Montréal page 1 Contrôle périodique Été 2011--------------------------------Corrigé--------------------------------------T.Hammouche Question 1 (12 points) Mth2302B - Intra Été 2011

Plus en détail

Modèles stochastiques et applications à la finance

Modèles stochastiques et applications à la finance 1 Université Pierre et Marie Curie Master M1 de Mathématiques, 2010-2011 Modèles stochastiques et applications à la finance Partiel 25 Février 2011, Durée 2 heures Exercice 1 (3 points) On considère une

Plus en détail

2 Probabilités conditionnelles. Événements indépendants

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

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation 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 détail

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #9

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #9 ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #9 ARTHUR CHARPENTIER 1 Soit X la variable aléatoire continue de fonction de densité : { (1.4)e 2x + (0.9)e 3x pour x > 0 f X (x) = 0 sinon. Trouver E[X]. A) 9 20 B)

Plus en détail

: 3 si x 2 [0; ] 0 sinon

: 3 si x 2 [0; ] 0 sinon Oral HEC 2007 Question de cours : Dé nition d un estimateur ; dé nitions du biais et du risque quadratique d un estimateur. On considère n (n > 2) variables aléatoires réelles indépendantes X 1,..., X

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Modèles à Événements Discrets. Réseaux de Petri Stochastiques Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés

Plus en détail

1 Etude des propriétés d un réseau de Petri

1 Etude des propriétés d un réseau de Petri UNIVERSITE DE CAEN U.F.R. de SCIENCES 1 ière session 2005 Master EEA 1A, Pro AEII et recherche ESCI Examen: Réseaux de Petri AE406T2 durée: 1h30 Responsable : G. Scorletti Chaque candidat doit, au début

Plus en détail

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES BACCALAURÉAT GÉNÉRAL SESSION 2015 MATHÉMATIQUES Série ES Durée de l épreuve : 3 heures Coefficient : 7 (ES) ES : ENSEIGNEMENT DE SPECIALITE Les calculatrices électroniques de poche sont autorisées conformément

Plus en détail

Chapitre 2 Maîtrise des flux. - Chapitre 2 - Maîtrise des flux

Chapitre 2 Maîtrise des flux. - Chapitre 2 - Maîtrise des flux - - Facteurs agissant sur les flux Les modèles pour les SP Les réseaux de files d attente 1 Facteurs agissant sur les flux Au niveau physique : L implantation Le nombre de machines Automatisation (robots,

Plus en détail

Exercices théoriques

Exercices théoriques École normale supérieure 2008-2009 Département d informatique Algorithmique et Programmation TD n 9 : Programmation Linéaire Avec Solutions Exercices théoriques Rappel : Dual d un programme linéaire cf.

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 1. a. On considère un modèle de marché (B, S) à une étape. On suppose que S = 5 C et qu à la date t = 1 on a (S u 1 = 51, S d 1 = 48).

Plus en détail

Fiche de révision sur les lois continues

Fiche de révision sur les lois continues Exercice 1 Voir la correction Le laboratoire de physique d un lycée dispose d un parc d oscilloscopes identiques. La durée de vie en années d un oscilloscope est une variable aléatoire notée X qui suit

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz Master Modélisation Statistique M2 Finance - chapitre 1 Gestion optimale de portefeuille, l approche de Markowitz Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté.

Plus en détail

Sujet de Bac 2013 Maths ES Obligatoire & Spécialité - Pondichéry

Sujet de Bac 2013 Maths ES Obligatoire & Spécialité - Pondichéry Sujet de Bac 2013 Maths ES Obligatoire & Spécialité - Pondichéry Exercice 1 : 4 points Commun à tous les candidats Cet exercice est un questionnaire à choix multiples. Une réponse exacte rapporte 1 point.

Plus en détail

0.2.3 Polynômes... 4. 0.2.1 Monômes... 4 0.2.2 Opérations entre monômes... 4

0.2.3 Polynômes... 4. 0.2.1 Monômes... 4 0.2.2 Opérations entre monômes... 4 Table des matières 0 Rappels sur les polynômes et fractions algébriques 1 0.1 Puissances............................................... 1 0.1.1 Puissance d un nombre réel.................................

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

Un corrigé de l épreuve de mathématiques du baccalauréat blanc

Un corrigé de l épreuve de mathématiques du baccalauréat blanc Terminale ES Un corrigé de l épreuve de mathématiques du baccalauréat blanc EXERCICE ( points). Commun à tous les candidats On considère une fonction f : définie, continue et doublement dérivable sur l

Plus en détail

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.

Plus en détail

Terminale ES Correction du bac blanc de Mathématiques (version spécialité).

Terminale ES Correction du bac blanc de Mathématiques (version spécialité). Terminale ES Correction du bac blanc de Mathématiques (version spécialité). Lycée Jacques Monod février 05 Exercice : Voici les graphiques des questions. et.. A 4 A Graphique Question. Graphique Question..

Plus en détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

Plus en détail

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban EXERCICE 1 : 4 Points Cet exercice est un questionnaire à choix multiples. Aucune justification n est demandée. Pour chacune des questions, une

Plus en détail

GPA-786 Rentabilité de projets d automatisation. Cours 1 Rappel des notions de base d analyse de rentabilité de projet

GPA-786 Rentabilité de projets d automatisation. Cours 1 Rappel des notions de base d analyse de rentabilité de projet GPA-786 Rentabilité de projets d automatisation Cours 1 Rappel des notions de base d analyse de rentabilité de projet Cours 1 : Sommaire Concepts de coût Coût d opportunité ou d option Coût perdu Coût

Plus en détail

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat 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 détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES/L

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

Plus en détail

Master MIMSE - Année 2. Optimisation Stochastique Gestion des stocks stochastique DRAFT -- DRAFT -- DRAFT -- DRAFT -- DRAFT --

Master MIMSE - Année 2. Optimisation Stochastique Gestion des stocks stochastique DRAFT -- DRAFT -- DRAFT -- DRAFT -- DRAFT -- 1 Master MIMSE - Année 2 Optimisation Stochastique Gestion des stocks stochastique 2 Incertitudes dans le modèle Le modèle de base : contraintes de satisfaction des demandes Tx h avec Tk T x représentant

Plus en détail

Chapitre 3 RÉGRESSION ET CORRÉLATION

Chapitre 3 RÉGRESSION ET CORRÉLATION Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 3 RÉGRESSION ET CORRÉLATION La corrélation est une notion couramment utilisée dans toutes les applications

Plus en détail

Baccalauréat ES Amérique du Nord 4 juin 2008

Baccalauréat ES Amérique du Nord 4 juin 2008 Baccalauréat ES Amérique du Nord 4 juin 2008 EXERCICE 1 Commun à tous les candidats f est une fonction définie sur ] 2 ; + [ par : 4 points f (x)=3+ 1 x+ 2. On note f sa fonction dérivée et (C ) la représentation

Plus en détail

PROBABILITES TRAVAUX DIRIGES

PROBABILITES TRAVAUX DIRIGES Université de Caen Basse-Normandie U.F.R. de Sciences Economiques et de Gestion Année universitaire 2009-2010 LICENCE ECONOMIE ET GESTION Semestre 3 L2 PROBABILITES TRAVAUX DIRIGES (18 heures) Hélène Ferrer

Plus en détail

Introduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr

Introduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte 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 détail

Probabilités Loi exponentielle Exercices corrigés

Probabilités Loi exponentielle Exercices corrigés Probabilités Loi exponentielle Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : densité de probabilité Exercice 2 : loi exponentielle de paramètre

Plus en détail

Baccalauréat ES Polynésie 7 juin 2013

Baccalauréat ES Polynésie 7 juin 2013 Baccalauréat ES Polnésie 7 juin 2013 EXERCICE 1 Cet exercice est un questionnaire à choix multiples. Pour chaque question, une seule des quatre réponses proposées est correcte. Une réponse juste rapporte

Plus en détail

BREVET DE TECHNICIEN SUPÉRIEUR COMPTABILITÉ ET GESTION DES ORGANISATIONS Session 2013 ÉPREUVE DE MATHÉMATIQUES. Durée : 2 heures Coefficient : 2

BREVET DE TECHNICIEN SUPÉRIEUR COMPTABILITÉ ET GESTION DES ORGANISATIONS Session 2013 ÉPREUVE DE MATHÉMATIQUES. Durée : 2 heures Coefficient : 2 BREVET DE TECHNICIEN SUPÉRIEUR COMPTABILITÉ ET GESTION DES ORGANISATIONS Session 2013 ÉPREUVE DE MATHÉMATIQUES Durée : 2 heures Coefficient : 2 SUJET Dès que le sujet vous est remis, assurez-vous qu il

Plus en détail

INTRODUCTION A L OPTIMISATION

INTRODUCTION A L OPTIMISATION INTRODUCTION A L OPTIMISATION Les domaines d application L optimisation est essentiellement un outil d aide à la décision au sein de l entreprise, mais aussi pour des individus. Le terme optimal est souvent

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle

Plus en détail

Baccalauréat STI Génie civil Métropole 16 septembre 2010

Baccalauréat STI Génie civil Métropole 16 septembre 2010 Durée : 4 heures Baccalauréat STI Génie civil Métropole 16 septembre 010 L utilisation d une calculatrice est autorisée pour cette épreuve. Le candidat doit traiter les deux exercices et le problème. EXERCICE

Plus en détail

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé

Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01

Plus en détail

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #8

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #8 ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #8 ARTHUR CHARPENTIER 1 Un contrat d assurance paie un maximum de 1 et comprend un déductible de 1 (c est-à-dire, perte de 0 à 1 elle ne rembourse rien, perte de 1 à

Plus en détail

Exercices sur les lois de probabilités continues

Exercices sur les lois de probabilités continues Terminale S Exercices sur les lois de probabilités continues Exercice n 1 : X est la variable aléatoire de la loi continue et uniforme sur [0 ; 1]. Donner la probabilité des événements suivants : a. b.

Plus en détail

Estimation et tests statistiques, TD 5. Solutions

Estimation et tests statistiques, TD 5. Solutions ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études

Plus en détail

Cours d Analyse. Fonctions de plusieurs variables

Cours 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 détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

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

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

Plus en détail

Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1

Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1 Introduction Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1 L auteur remercie Mme Sylvie Gervais, Ph.D., maître

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

COUPLES DE VARIABLES ALÉATOIRES CHAPITRE 13 COUPLES DE VARIABLES ALÉATOIRES Dans tout le chapitre, (Ω, P) désignera un espace probabilisé fini. 1 Couple de variables aléatoires Définition 13.1 On appelle couple de variables aléatoires

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Devoir Surveillé n 5 BTS 2009 groupement B

Devoir Surveillé n 5 BTS 2009 groupement B EXERCICE 1 (12 points) Devoir Surveillé n 5 BTS 2009 groupement B Les trois parties de cet exercice peuvent être traitées de façon indépendante. A. Résolution d une équation différentielle On considère

Plus en détail

Baccalauréat S Asie 18 juin 2013

Baccalauréat S Asie 18 juin 2013 Baccalauréat S Asie 18 juin 2013 Dans l ensemble du sujet, et pour chaque question, toute trace de recherche même incomplète, ou d initiative même non fructueuse, sera prise en compte dans l évaluation

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006 ESSEC M B A CONCOURS D ADMISSION Option économique MATHEMATIQUES III Année 2006 La présentation, la lisibilité, l orthographe, la qualité de la rédaction, la clarté et la précision des raisonnements entreront

Plus en détail

Corrigé du baccalauréat ES Antilles Guyane 24 juin 2015

Corrigé du baccalauréat ES Antilles Guyane 24 juin 2015 Corrigé du baccalauréat ES Antilles Guyane 2 juin 2015 EXERCICE 1 Commun à tous les candidats Aucune justification n était demandée dans cet exercice. 1. La fonction f définie sur R par f (x)= x 3 + 6x

Plus en détail

Brevet de technicien supérieur Polynésie session mai 2012 - Informatique de gestion

Brevet de technicien supérieur Polynésie session mai 2012 - Informatique de gestion Brevet de technicien supérieur Polynésie session mai 2012 - Informatique de gestion A. P. M. E. P. ÉPREUVE OBLIGATOIRE Durée : 3 heures Coefficient : 2 Exercice 1 7 points Les parties A et B de cet exercice

Plus en détail

Exercices sur le chapitre «Probabilités»

Exercices sur le chapitre «Probabilités» Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de

Plus en détail

Thème 12: Généralités sur les fonctions

Thème 12: Généralités sur les fonctions GÉNÉRALITÉS SUR LES FONCTIONS 69 Thème 12: Généralités sur les fonctions 12.1 Introduction Qu est-ce qu une fonction? Une fonction est une sorte de "machine". On choisit dans un ensemble de départ A un

Plus en détail

Session 2011. Enseignement de Spécialité. Durée de l épreuve : 3 heures. Coefficient : 7. Ce sujet comporte 7 pages numérotées de 1 à 7.

Session 2011. Enseignement de Spécialité. Durée de l épreuve : 3 heures. Coefficient : 7. Ce sujet comporte 7 pages numérotées de 1 à 7. BACCALAURÉAT GENÉRAL Session 2011 MATHÉMATIQUES Série ES Enseignement de Spécialité Durée de l épreuve : 3 heures Coefficient : 7 Ce sujet comporte 7 pages numérotées de 1 à 7. L utilisation d une calculatrice

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce

Plus en détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

CONCOURS D'ELEVE INGENIEUR STATISTICIEN ECONOMISTE OPTIONS MATHEMATIQUES ET ECONOMIE. Les candidats traiteront l'un des trois sujets au choix.

CONCOURS D'ELEVE INGENIEUR STATISTICIEN ECONOMISTE OPTIONS MATHEMATIQUES ET ECONOMIE. Les candidats traiteront l'un des trois sujets au choix. ECOLE NATIONALE SUPERIEURE DE STATISTIQUE ET D'ECONOMIE APPLIQUEE ABIDJAN 1 AVRIL 21 CONCOURS D'ELEVE INGENIEUR STATISTICIEN ECONOMISTE OPTIONS MATHEMATIQUES ET ECONOMIE EPREUVE D'ORDRE GENERAL DUREE :

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Correction du baccalauréat ES/L Métropole 20 juin 2014

Correction 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 détail

Épreuve de mathématiques Terminale ES 200 minutes

Épreuve de mathématiques Terminale ES 200 minutes Examen 2 Épreuve de mathématiques Terminale ES 200 minutes L usage de la calculatrice programmable est autorisé. La bonne présentation de la copie est de rigueur. Cet examen comporte 7 pages et 5 exercices.

Plus en détail

Fonctions affines. Table des matières

Fonctions affines. Table des matières Fonctions affines Table des matières 1 fonction linéaire, fonction constante, fonction affine 3 1.1 activités.............................................. 3 1.1.1 activité 1 : fonction linéaire et variation

Plus en détail

Introduction à l analyse microéconomique Devoir Maison n o 1

Introduction à l analyse microéconomique Devoir Maison n o 1 Introduction à l analyse microéconomique Devoir Maison n o 1 10 novembre 2014 Marianne Tenand Monitorat ENS (2014-2015) marianne.tenand@ens.fr A rendre au plus tard dans mon casier du bâtiment B le mercredi

Plus en détail

Baccalauréat STMG Antilles Guyane / 18 juin 2015

Baccalauréat STMG Antilles Guyane / 18 juin 2015 Exercice 1 Durée : 3 heures Baccalauréat STMG Antilles Guyane / 18 juin 2015 4 points Cet exercice est un questionnaire à choix multiples (QCM). Le candidat recopiera sur sa copie le numéro de la question

Plus en détail

Mercredi 24 Juin 2015

Mercredi 24 Juin 2015 BACCALAURÉAT GÉNÉRAL Session 2015 MATHÉMATIQUES Série ES ENSEIGNEMENT OBLIGATOIRE Durée de l épreuve : 3 heures coefficient : 5 MATHÉMATIQUES Série L ENSEIGNEMENT DE SPÉCIALITÉ Durée de l épreuve : 3 heures

Plus en détail

Le corps R des nombres réels

Le corps R des nombres réels Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire

Plus en détail

Cours de mathématiques

Cours de mathématiques Cours de mathématiques Thomas Rey classe de première ES ii Table des matières 1 Les pourcentages 1 1.1 Variation en pourcentage............................... 1 1.1.1 Calcul d une variation............................

Plus en détail

IFT6561. Simulation: aspects stochastiques

IFT6561. Simulation: aspects stochastiques IFT 6561 Simulation: aspects stochastiques DIRO Université de Montréal Automne 2013 Détails pratiques Professeur:, bureau 3367, Pav. A.-Aisenstadt. Courriel: bastin@iro.umontreal.ca Page web: http://www.iro.umontreal.ca/~bastin

Plus en détail

ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2

ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2 ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2 Le sujet est numéroté de 1 à 5. L annexe 1 est à rendre avec la copie. L exercice Vrai-Faux est

Plus en détail

Prix d options européennes

Prix d options européennes Page n 1. Prix d options européennes Une société française tient sa comptabilité en euros et signe un contrat avec une entreprise américaine qu elle devra payer en dollars à la livraison. Entre aujourd

Plus en détail

Première L COMPOSITION DE MATHEMATIQUES - INFORMATIQUE. 2ème trimestre 2010. Durée de l épreuve : 1 h 30

Première L COMPOSITION DE MATHEMATIQUES - INFORMATIQUE. 2ème trimestre 2010. Durée de l épreuve : 1 h 30 Première L COMPOSITION DE MATHEMATIQUES - INFORMATIQUE 2ème trimestre 2010 Durée de l épreuve : 1 h 30 Le candidat doit traiter les 3 exercices La qualité de la rédaction, la clarté et la précision des

Plus en détail

Étapes du développement et de l utilisation d un modèle de simulation

Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Formulation du problème Cueillette et analyse de données Conception

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Résolution d équations non linéaires

Résolution 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 détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

Problème de contrôle optimal pour une chaîne de Markov

Problème de contrôle optimal pour une chaîne de Markov Problème de contrôle optimal pour une chaîne de Markov cours ENSTA MA206 Il s agit de résoudre un problème d arrêt optimal pour une chaîne de Markov à temps discret. Soit X n une chaîne de Markov à valeurs

Plus en détail

5. Options américaines Une option américaine peut être exercée à n importe quelle instant compris entre

5. Options américaines Une option américaine peut être exercée à n importe quelle instant compris entre 5. Options américaines Une option américaine peut être exercée à n importe quelle instant compris entre 0 et l échéance N. Définition 5.1. Une option américaine est définie par une suite (h n ) n=0..n,

Plus en détail