TD, Contrôle continu 3 : éléments de correction /3 0 2/3 Q = / /4
|
|
- Lucienne Thibodeau
- il y a 7 ans
- Total affichages :
Transcription
1 Université Pierre et Marie Curie Période 2 L3 LM346 : Processus et Simulations TD, Contrôle continu 3 : éléments de correction Exercice 1. Considérons la matrice stochastique suivante : /3 0 2/ / / /50 1/50 1/50 1/50 1/50 9/10 et on désigne par (X n ) n N la chaîne de Markov de matrice de transition Q. 1. Précisez l espace des états E. Identifiez les classes d états de la chaîne (X n ), et justifiez pour chacune s il s agit d une classe fermée ou non-fermée. Lesquelles sont récurrentes? La chaîne est-elle irréductible? 2. Prouvez qu il existe une probabilité stationnaire que l on notera π. Est-elle unique? 3. Calculez π. En déduire, à l aide d un résultat du cours dont on justifiera l utilisation, le temps moyen de retour à l état i pour tout i E. 4. Supposons que la loi initiale de (X n ) soit également π. En justifiant soigneusement votre réponse, calculez P(X 5112 = 4). Corrigé L espace des états est E = {1, 2, 3, 4, 5, 6} ; c est l unique classe (évidemment fermée et récurrente car E < ) car tous les états communiquent entre eux (on peut remarquer que tous les états communiquent avec 6, qui communique en retour avec tous les états). La chaîne est donc irréductible. 2. Comme E <, la chaîne admet au moins une probabilité invariante (cf. cours). Elle est unique car la chaîne est irréductible. 3. Il faut ici écrire le système d équations π = πq et le résoudre sans se tromper! On doit trouver, en se souvenant que i E π(i) = 1 : π = (3/167, 3/167, 4/167, 4/167, 3/167, 150/167) Par un théorème du cours, le temps moyen de retour en i E, noté E i T i est alors donné par la formule E i T i = (π(i)) Par un théorème du cours, si la loi initiale et la loi stationnaire d une chaîne de Markov coïncident, alors pour tout n N et tout i E on a P(X n = i) = π(i). Exercice 2. Considérons la matrice suivante : p q p q p q p q q/2 p q/ q p q p q p q p q p où p Quelles conditions doivent vérifier p et q pour que Q soit stochastique? On désignera dans la suite par (X n ) n N la chaîne de Markov de matrice de transition Q. 2. Précisez l espace des états E. Identifiez les classes d états de la chaîne (X n ), et justifiez pour chacune s il s agit d une classe fermée ou non-fermée. Lesquelles sont récurrentes? Lesquelles sont transientes? La chaîne est-elle irréductible? 3. Prouvez qu il existe une probabilité stationnaire que l on notera π, et la calculer. 1
2 4. Supposons que la loi initiale de (X n ) soit également π. En le justifiant soigneusement, calculez P(X 2115 = 4). Corrigé p + q = 1, 0 p < 1 et 0 < q L espace des états est E = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}. 1,2,3,7,8,9,10 sont des états transients, et {4, 5, 6} est l unique classe fermée (récurrente car E < ). La chaîne n est pas irréductible. 3. Comme E <, la chaîne admet au moins une probabilité stationnaire. Elle n est pas unique par le théorème du polycopié. 4. Pour tout état i transient, π(i) = 0. En écrivant le système d équations π = πq il vient ( ) q π = 0, 0, 0, 2(1 p + q), 1 p 1 p + q, q, 0, 0, 0, 0. 2(1 p + q) 5. Par un théorème du cours, si la loi initiale et la loi stationnaire d une chaîne de Markov coïncident, alors pour tout n N et tout i E on a P(X n = i) = π(i). Exercice Précisez, pour chacune des matrices suivantes, si elle est stochastique. Toute réponse non soigneusement justifiée sera considérée comme nulle /4 1/4 0 1/4 1/4 p p p p Q 1 = 0 1/2 1/ /2 1/2 0, Q 2 = , Q 3 = p 2p p p /2 1/2 0 1/4 1/4 1/4 1/4 où p [0, 1]. 2. Considérons la matrice stochastique suivante : p q 0 p 0 q 0 q p où p, q ]0, 1[ sont tels que p + q = 1, et on désigne par (X n ) n N la chaîne de Markov de matrice de transition Q. Identifiez : l espace des états E. les classes d états de la chaîne (X n ) et leur nature (fermée ou non fermée). 3. La chaîne est-elle irréductible? Prouver qu il existe une probabilité stationnaire que l on notera π. Est-elle unique? 4. Calculer π. En déduire, à l aide d un résultat du cours dont on justifiera l utilisation, le temps moyen de retour à l état i pour tout i E. Corrigé Une matrice est dite stochastique si c est une matrice carrée dont les éléments sont compris dans [0, 1] et dont la somme sur les lignes vaut 1. Q 1 est stochastique, Q 2 (non carrée) et Q 3 (il n existe pas de p tel qu elle soit stochastique) ne le sont pas. 2. L espace des états est E = {1, 2, 3} et c est la seule classe fermée (récurrente car E < ). 3. La chaîne est donc irréductible et il existe une unique probabilité invariante π. 4. On écrit le système π = πq et il vient π = ( p 1 + q, 1 p ) 1 + q, q 1 + q Par un théorème du cours, pour tout i E, le temps moyen de retour en i est donné par E i T i = 1 π(i). Exercice 4 (Tricher au jeu sans gagner est d un sot, Voltaire, Éloge de l hypocrisie). Une anti-sèche circule le long d une rangée de 5 élèves, numérotés dans l ordre de 1 à 5. Le professeur, que nous numérotons 6, les surveille du coin de l œil. Chaque minute, l élève en possession de l anti-sèche tente de la faire passer à l un de ses voisins. Avec une probabilité p = 1/2, le professeur le voit en s empare définitivement de l anti-sèche. S il ne le voit pas, l élève l a fait passer à l un de ses deux voisins choisis au hasard s il est en milieu en rangée et à son seul voisin s il est en bout de ranger. 1. Décrire le processus par une chaîne de Markov à 6 états et donner sa matrice de transition. 2
3 2. Identifier les classes. Quelles sont les classes fermées? Quelles sont les classes récurrentes? La chaîne est-elle irréductible? 3. Décrire la ou les mesures invariantes. 4. Déterminer le temps moyen T avant que le professeur ne prenne possession de l anti-sèche. 5. Quelle est la loi complète de T sachant qu initialement le professeur n a pas l anti-sèche? Corrigé Soit (X n ) n N la suite aléatoire telle que, pour tout k N, on a X k = i ssi, à la k-ème minute, l élève n i avec i {1, 2, 3, 4, 5} est en possession de l anti-sèche et X k = 6 ssi c est le professeur la possède. La suite (X n ) n N est bien une chaîne de Markov homogène car la loi de X n+1 sachant tous les X k avec k n ne dépend que de la valeur de X n puisque la position de l anti-sèche ne dépend que de l individu qui la posséde à l instant précédent. La matrice de transition est donnée par : 0 1/ /2 1/4 0 1/ /2 0 1/4 0 1/4 0 1/ /4 0 1/4 1/2 (1) /2 0 1/ Il y a deux classes : {1, 2, 3, 4, 5} et {6} car l anti-sèche peut atteindre n importe quel élève en partant de n importe quel élève mais le professeur ne peut pas la rendre. Seule la classe {6} est fermée. Elle est même absorbante L espace d états est fini donc les classes récurrentes sont exactement les classes fermées : la classe {6} est récurrente, la classe {1, 2, 3, 4, 5} transiente. La chaîne n est pas irréductible car elle possède plus d une classe. 3. Il y a une unique classe récurrente fermée donc il n y a qu une mesure invariante. L état 6 étant absorbant, on vérifie que µ = (0, 0, 0, 0, 0, 1) (2) satisfait trivialement µ µ. Elle est donc l unique mesure invariante. 4. Soit la variable aléatoire T = inf {n > 0; X n = 6}. (3) C est un temps d arrêt pour la filtration engendrée par la suite de variables X n. C est le temps de retour à l unique classe récurrente 6. Soit les nombres k i = E(T X 0 = i) (4) On a le système d équation La résolution de ce système donne directement k 1 = k 2 k 2 = (k 1 + k 3 ) k 3 = (k 2 + k 4 ) k 4 = (k 3 + k 5 ) k 5 = k 4 (5) k 1 = k 2 = k 3 = k 4 = k 5 = 2 (6) En moyenne, au bout de deux minutes, le professeur est en possession de l anti-sèche. 6. L événement {T = n} se réécrit {T = n} = {X k 6} {X n = 6} (7) On a alors : k=0,...,n 1 ( n 1 ) P (T = n) (Markov) = P(X n = 6 X n 6) P(X k 6 X k 1 6) P(X 0 6) Dans le cas présent, on remarque pour tout k 1 : k=1 P(X k 6 X k 1 6) = 1 P(X k = 6 X k 1 6) = 1/2 (8) 3
4 car les étudiants ont la même probabilité de se faire surprendre. On a ainsi : ( ) n 1 P (T = n) =, n > 0, P (T = 0) = 0 (9) 2 T suit donc une loi géométrique de paramètre 1/2. Exercice 5 (Guichet 102, HFT). Nous considérons une file d attente à un guichet. Le nombre de personnes qui attende dans la file est caractérisé par une suite aléatoire (X n ) n N où n désigne le nombre de minutes écoulées depuis l ouverture du guichet. Nous supposons qu il évolue de la manière suivante : si la file n est pas vide, un nouveau client passe au guichet avec une probabilité p. si la file contient 5 personnes, les gens se découragent et personne ne vient s ajouter à la queue si la file contient strictement moins de 5 personnes, une nouvelle personne vient s ajouter à la queue avec probabilité q. On supposera que 0 < p, q < Montrer que la suite (X n ) n N est une chaîne de Markov homogène à 6 états. Montrer que P(X n+1 = k + 1 X n = k) = q(1 p), 0 k 4 (10) P(X n+1 = k 1 X n = k) = p(1 q), 1 k 5 (11) Calculer les autres probabilités de transition non-nulles et écrire la matrice de transition Q complète. 2. Décrire les classes d états. La chaîne est-elle irréductible? 3. Décrire la ou les mesures invariantes pour p = q = 1/2. 4. Quel est le temps de retour moyen d une file vide à une file vide? Corrigé Pour que la taille de la file augmente de 1, il faut que le guichet ne traite personne et qu une personne supplémentaire arrive : cela ne peut se produire que si la taille est entre 0 et 4. Les arrivées et les départs étant indépendants, les probabilités se factorisent et on a : P(X n+1 = k + 1 X n = k) = P(1 départ à la minute n)p(0 traitement à la minute n) = q(1 p), 0 k 4 De la même manière, la taille décroît de 1 ssi personne n arrive et le guichet prend un client (si la file est non-vide). On a de la même manière : P(X n+1 = k 1 X n = k) = p(1 q), 1 k 5 (12) La taille ne peut pas varier de plus de 1 unité à chaque pas de temps. Donc il faut calculer les probabilités : P(X n+1 = 1 X n = 0) = P(1 arrivée) = q P(X n+1 = 4 X n = 5) = P(1 traitement) = p P(X n+1 = 5 X n = 5) = 1 p P(X n+1 = 0 X n = 0) = 1 q (probabilités totales) (idem) P(X n+1 = 5 X n = 5) = 1 p q + 2pq (idem) On a ainsi (dans la base indexée par ) la matrice de transition : 1 q q p(1 q) 1 p q + 2pq q(1 p) P = 0 p(1 q) 1 p q + 2pq q(1 p) p(1 q) 1 p q + 2pq q(1 p) p(1 q) 1 p q + 2pq q(1 p) p 1 p (13) 2. Il y a une unique classe d états car incréments successifs de ±1, on peut passer de n importe quel état à n importe quel autre. La chaîne de Markov est donc irréductible et il y a une unique classe récurrente. 3. Pour p = q = 1/2, la matrice de transition devient : 1/2 1/ /4 1/2 1/ P = 0 1/4 1/2 1/ /4 1/2 1/ /4 1/2 1/ /2 1/2 (14) 4
5 Il faut à présent résoudre µp = µ avec 5 i=0 µ i = 1. On obtient ainsi que µ = ( ) est l unique mesure invariante. 4. Soit T 0 = inf{n > 0; X n = 0} le temps de retour à une file vide. Pour une chaîne de Markov à nombre fini d états et irréductible, on a le théorème suivant : (15) E(T i X 0 = i) = 1 µ i Pour i = 0, on obtient ainsi le temps moyen de retour à une file vide en partant d une file vide : E(T 0 X 0 = 0) = 10 (16) Exercice 6 (L ascenseur de 22h43 (1ère partie), HFT). Un immeuble de 6 étages (un rez-de-chaussée et 5 étages stricts) est équipé d un ascenseur au fonctionnement étrange : il n est jamais appelé pour aller d un étage à un autre mais seulement du rez-de-chaussée aux étages et réciproquement. Les statistiques d utilisation de l ascenseur montre, qu à chaque pas de temps que : quand il est au rez-de-chaussée, il ne bouge pas avec probabilité 1/6 et est appelé à tout autre étage avec probabilité 1/6. quand il est à l étage i, il ne bouge pas avec une probabilité 1/3 et redescend au rez-de-chaussée avec une probabilité 2/3. 1. Montrer que le suite (X n ) n N qui donne l étage où se situe l ascenseur est une chaîne de Markov dont l espace d état est {0, 1, 2, 3, 4, 5}. Donner sa matrice de transition. 2. Décrire les classes d état. La chaîne est-elle irréductible? Décrire la ou les mesures invariantes. 3. Si l ascenseur est au rez-de-chaussée, donner le temps moyen de retour au rez-de-chaussée : 4. On définit la v.a. T = inf{n > 0; X n = 0} (17) R n = 1 n n 1 0 X k (18) k=0 Que compte R n? Quelle est la limite de R n lorsque n? 5. On définit la v.a. Y n = 1 n n X k (19) qui mesure la hauteur moyenne de l ascenseur après n minutes. Quelle est la limite de Y n lorsque n est grand? Corrigé La position de l ascenseur au temps n + 1 ne dépend que de la position au temps n et d un éventuel appel au temps n + 1, et est donc indépendante des autres positions précédentes. La suite (X n ) n N à valeurs dans les numéros des étages est donc une chaîne de Markov homogène. Sa matrice de transition est donnée par : 1/6 1/6 1/6 1/6 1/6 1/6 2/3 1/ P = 2/3 0 1/ / /3 0 0 (20) 2/ /3 0 2/ /3 2. Il y a une unique classe d état car il est possible d aller de tout étage à tout autre étage en passant par le rez-de-chaussée. La chaîne est donc irréductible et l unique mesure invariante µ satisfait l équation µp = µ et est donc donnée par : µ = ( 4/9 1/9 1/9 1/9 1/9 1/9 ) (21) 3. La chaîne est irréductible et le nombre d états est fini. Le théorème du cours donne alors : k=0 E(T X 0 = 0) = 1 µ 0 = 9 4 (22) L ascenseur est à nouveau au rez-de-chaussée en moyenne au bout de 2, 25 pas de temps. 5
6 4. La variable R n compte la fraction du temps total passé au rez-de-chaussée après n pas (i.e. le nombre de pas de temps où l ascenseur est au rez-de-chaussée normalisé par n). Le théorème ergodique pour cette chaîne irréductible donne donc : p.s. µ 0 = 4/9 (23) R n 5. Y n est de la forme (1/n) k f(x k) avec f : x x. Le théorème ergodique donne également la convergence presque sûre suivante : p.s. µ, f (24) où µ, f désigne l intégrale de f contre µ. On a ici : Y n Y n p.s ( ) = 5 3 (25) En moyenne l ascenseur est à l étage 1, 6667! 6
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 détailModèles 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 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 détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailFonctions homographiques
Seconde-Fonctions homographiques-cours Mai 0 Fonctions homographiques Introduction Voir le TP Géogébra. La fonction inverse. Définition Considérons la fonction f définie par f() =. Alors :. f est définie
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 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 détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
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 détailI. Cas de l équiprobabilité
I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailTP1 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 détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
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 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 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 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 détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
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 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 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 détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
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 détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détail1 Définition et premières propriétés des congruences
Université Paris 13, Institut Galilée Département de Mathématiques Licence 2ème année Informatique 2013-2014 Cours de Mathématiques pour l Informatique Des nombres aux structures Sylviane R. Schwer Leçon
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
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 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 détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailThéorie de la Mesure et Intégration
Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 & UE LM365 Intégration 2 Année 2010 11 Théorie de la Mesure et Intégration Responsable des cours : Amaury LAMBERT
Plus en détailINTRODUCTION AUX SYSTEMES D EXPLOITATION. TD2 Exclusion mutuelle / Sémaphores
INTRODUCTION AUX SYSTEMES D EXPLOITATION TD2 Exclusion mutuelle / Sémaphores Exclusion mutuelle / Sémaphores - 0.1 - S O M M A I R E 1. GENERALITES SUR LES SEMAPHORES... 1 1.1. PRESENTATION... 1 1.2. UN
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailModule 7: Chaînes de Markov à temps continu
Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
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 détailExercices 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 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 détailEnoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé.
Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé. I- ACTIVITES NUMERIQUES (12 points) Exercice 1 (3 points) On considère
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailCryptographie et fonctions à sens unique
Cryptographie et fonctions à sens unique Pierre Rouchon Centre Automatique et Systèmes Mines ParisTech pierre.rouchon@mines-paristech.fr Octobre 2012 P.Rouchon (Mines ParisTech) Cryptographie et fonctions
Plus en détailContents. 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 détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
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 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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
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 détailIntroduction 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 détailItems étudiés dans le CHAPITRE N5. 7 et 9 p 129 D14 Déterminer par le calcul l'antécédent d'un nombre par une fonction linéaire
CHAPITRE N5 FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION Code item D0 D2 N30[S] Items étudiés dans le CHAPITRE N5 Déterminer l'image
Plus en détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
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 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 détailLe produit semi-direct
Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.
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 détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailCalculabilité Cours 3 : Problèmes non-calculables. http://www.irisa.fr/lande/pichardie/l3/log/
Calculabilité Cours 3 : Problèmes non-calculables http://www.irisa.fr/lande/pichardie/l3/log/ Problèmes et classes de décidabilité Problèmes et classes de décidabilité Nous nous intéressons aux problèmes
Plus en détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détailAC AB. A B C x 1. x + 1. d où. Avec un calcul vu au lycée, on démontre que cette solution admet deux solutions dont une seule nous intéresse : x =
LE NOMBRE D OR Présentation et calcul du nombre d or Euclide avait trouvé un moyen de partager en deu un segment selon en «etrême et moyenne raison» Soit un segment [AB]. Le partage d Euclide consiste
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailSouad 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 détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
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 détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailCommun 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 détailLagrange, où λ 1 est pour la contrainte sur µ p ).
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
Plus en détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
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 détailLa maison Ecole d ' Amortissement d un emprunt Classe de terminale ES. Ce qui est demandé. Les étapes du travail
La maison Ecole d ' Amortissement d un emprunt Classe de terminale ES Suites géométriques, fonction exponentielle Copyright c 2004 J.- M. Boucart GNU Free Documentation Licence L objectif de cet exercice
Plus en détailProcessus 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 détailCarl-Louis-Ferdinand von Lindemann (1852-1939)
Par Boris Gourévitch "L'univers de Pi" http://go.to/pi314 sai1042@ensai.fr Alors ça, c'est fort... Tranches de vie Autour de Carl-Louis-Ferdinand von Lindemann (1852-1939) est transcendant!!! Carl Louis
Plus en détailGroupe symétrique. Chapitre II. 1 Définitions et généralités
Chapitre II Groupe symétrique 1 Définitions et généralités Définition. Soient n et X l ensemble 1,..., n. On appelle permutation de X toute application bijective f : X X. On note S n l ensemble des permutations
Plus en détailLISTE D EXERCICES 2 (à la maison)
Université de Lorraine Faculté des Sciences et Technologies MASTER 2 IMOI, parcours AD et MF Année 2013/2014 Ecole des Mines de Nancy LISTE D EXERCICES 2 (à la maison) 2.1 Un particulier place 500 euros
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 détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
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 détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
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 détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
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 détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détail