Chapitre 14 : Variables aléatoires finies
|
|
- Claudette Bruneau
- il y a 7 ans
- Total affichages :
Transcription
1 Chapitre 14 : Variables aléatoires finies Dans tout ce chapitre, (Ω, P(Ω)) est un espace probabilisable fini. 1 Motivation Prenons un exemple : on considère l expérience aléatoire obtenue par le jet de deux dés (de couleur différente). On modélise cette expérience par Ω = [ 1; 6]] 2, A = P(Ω). Supposons que le résultat qui nous intéresse soit la somme des deux chiffres obtenus et que l on s intéresse plus particulièrement à l évènement A : «la somme obtenue est 7». On décompose en évènements élémentaires : A = {(1,6),(2,5),(3, 4),(4,3),(5, 2), (6,1)} On préfère considérer une fonctions (ici la fonction S : Ω Ê qui à ω Ω associe la somme des chiffres obtenus) et dire que l évènement A est A = [S = 7] = {ω Ω, S(ω) = 7} qui est plus facile à manipuler. Pour les sceptiques, signalons que si on refuse d utiliser les variables aléatoires, la situation devient vite intenable lorsque l expérience considérée a de nombreux résultat : l univers (même fini) peut être très gros et difficile à décrire. Pour se convaincre, on peut essayer de décrire l univers de l expérience suivante : on distribue complètement un jeu de 52 cartes à 4 joueurs (on remarquera que Card Ω = ( 52 13) = ). L utilisation de variables aléatoires permet de faire abstraction du modèle. 2 Définitions 2.1 Variable aléatoire réelle discrète Définition Soit (Ω, A) est un espace probabilisable fini. On appelle variable aléatoire réelle sur (Ω, A) toute application { Ω Ê X : ω X(ω) On dit que l ensemble X(Ω) = {X(ω), ω Ω} est l univers-image de X. Définition Soit X une variable aléatoire réelle sur Ω et x Ê. On note [X = x] = X 1 (x) = {ω Ω, X(ω) = x} [X x] = X 1 (],x]) = {ω Ω, X(ω) x} [X > x] = X 1 (]x,+ [) = {ω Ω, X(ω) > x} On a en particulier [X x] = [X > x] et [a X b] = X 1 ([a,b]) = [X a] [X b]. J. Gärtner. 1
2 Plus généralement, si I Ê on note [X I] = {ω Ω, X(ω) I}. Toutes ces parties sont des événements. Lorsqu on étudie une variable aléatoire il est bon d essayer de préciser son image X(Ω). Exemple. On joue à Pile ou Face n fois. L univers est Ω = {0,1} n où 1 symbolise le Pile et A = P(Ω). Soit X la variable aléatoire qui donne le nombre de Piles obtenus. On a X(Ω) = {0,1,2,3,...,n}. L évènement [X = 0] est {(0,...,0)}, l évenement [X = 1] = {(ε 1,...,ε n ),! i [1; n ], ε i = 1}. On a par exemple [X > n 1] = {(1,...,1)}. L évènement «obtenir plus de pile que de face» est l évènement (X > [ n ]) = (X 2 [ n 2 ] + 1). Exercice. On s intéresse à l expérience aléatoire qui consiste ne le jet de deux dés de couleur différente. Pour chaque jet, on considère la somme des deux chiffres obtenus. Donner un espace probabilisable qui modélise cette expérience. Définir une variable aléatoire réelle X qui traduit le résultat de cette expérience. Vérifier que c est bien une variable aléatoire réelle. Décrire X(Ω). Donner sous forme explicite les évènements (X = 1), (X = 4), (X 5), ( X < ). Exercice. On dispose d une urne contenant N boules numérotées de 1 à N. On tire sans remise successivement n boules. Décrire Ω. On note X l application qui à ω Ω associe le plus grand nombre tiré. Décrire X(Ω). Montrer que X est une variable aléatoire réelle finie. Que valent les évènements (X n 1) et (X N + 1)? Quel est le cardinal de (X? 2.2 Exemples de variables aléatoires 1. Une application constante est une variable aléatoire, on l appelle variable aléatoire certaine. 2. Une variable aléatoire X telle que Card X(Ω) = 2 est appelée variable aléatoire de Bernoulli. 3. Si on s interesse à un schéma binomial, répétition de n épreuves de Bernoulli indépendantes, la variable X i qui vaut 1 si la iieme étape est un succès et 0 sinon est une variable de Bernoulli. La variable donnant le nombre de succès au cours du schéma est une variable aléatoire, d univers image [ 0; n ], appelée variable de loi binomiale. 4. On jette simultanément deux dés équilibrés. On note X la somme des résultats obtenus. Alors X(Ω) = [ 2; 12]]. On a par exemple [X = 6] = [X > 5] [X > 6] et [X < 3,2] = [X = 2] [X = 3]. 2.3 Système complet d événements associé à une variable aléatoire Proposition Soit (Ω, A) un espace probabilisable fini. Pour toute variable aléatoire réelle finie X sur (Ω, A), l ensemble {[X = x], x X(Ω)} est un système complet d évènements. On l appelle le système complet d évènements associés à X. J. Gärtner. 2
3 Démonstration: On sait que (X = x) A par définition d une variable aléatoire réelle. Si x y X(Ω), il est clair que (X = x) (X = y) = : les évènements (X = x) et (X = y) sont incompatibles. De plus x X(Ω) (X = x) = (X X(Ω)) = Ω. Ce qui montre le résultat attendu. Remarque. Les événements du système complet d événements associé à X sont en quelque sorte les événements les «plus petits» que l on puisse considérer à l aide de X. C est la quintessence de l information apportée par X. Tout événements que l on décrit à partir de ce système complet ne tient compte uniquement de ce que l on sait de l expérience aléatoire considérée par la connaissance de X. Exemple. On joue deux fois à Pile ou Face. On a Ω = {0,1} 2 et A = P(Ω). Soit X la variable aléatoire qui donne le nombre de Pile obtenus. On a X(Ω) = {0,1,2} et (X = 0) = {(F,F)}, (X = 1) = {(P,F),(F,P)},(X = 2) = {(P,P)} est un système complet d évènements. Exercice. Dans l expérience consistant au jet consécutif de deux dés, soit X la variable aléatoire réelle finie qui donne la somme des chiffres obtenus. Décrire le système complet d évènements associé à X. 2.4 Lois de probabilité d une variable aléatoire Soit (Ω, A,P) un espace probabilisé fini et X une variables aléatoire réelle sur (Ω, A). Vu les remarques faites sur le système complet associé à X, la définition suivante est naturelle. Définition Soit (Ω, A,P) un espace probabilisé fini et X une variables aléatoire réelle sur (Ω, A). La donnée de la loi de probabilité est équivalente à la donnée de lunivers image X(Ω) et de l ensemble des probabilités {P(X = x), x X(Ω)} Remarque. Il est possible que deux variables aléatoires X et Y de même image aient même loi. On note dans ce cas X Y. Exemple. 1. Soit X : ω a une variable aléatoire certaine. Sa loi est alors {P(X = a) = 1}. 2. Soit X : Ω {0,1} une variable aléatoire de Bernoulli. Sa loi est {P(X = 1) = p, P(X = 0) = 1 p}. 3. On jette un dé équilibré, on note X le numéro obtenu. Alors X est une variable aléatoire et sa loi est donnée par X(Ω) = [1; 6 ] et k [ 1; 6 ], P(X = k) = 1 6. Proposition Soit (Ω, A,P) un espace probabilisé fini et X une variable aléatoire réelle finie. alors P(X = x) = 1 x X(Ω) et si on numérote les éléments de X(Ω), c est-à-dire que l on pose X(Ω) = {x i, i [1; n ]} on a J. Gärtner. 3
4 n P(X = x i ) = 1 i=1 Il faut toujours vérifier ce point lorsque l on donne une loi de probabilité. Démonstration: Ceci découle du fait que {(X = x), x X(Ω)} est un système complet d évènements (on utilise les deux propriétés : d abord que Ω est l union de tous les événements du système, puis que ces événements sont deux à deux incompatibles). On a donc 1 = P(Ω) = P( x X(Ω) [X = x]) = P (X = x). x X(Ω) Exercice. On dispose d une urne contenant N boules numérotées de 1 à N. On tire sans remise successivement n boules. Préciser l espace probabilisé de travail. Soit X la variable aléatoire réelle finie égale au plus grand numéro des n boules prélevées. Que vaut X(Ω)? Donner la loi de X. En déduire que N ( k 1 ( n 1) = N. 2.5 Fonction de répartition Définition k=n Soit (Ω, A,P) un espace probabilisé fini et X une variable aléatoire réelle finie. L application { Ê Ê F X : x P(X x) est appelée Fonction de répartition de X. Exemple. DESSINS : remarquer que la loi de chaque variable se lit dans les sauts de F X. 1. Variable aléatoire certaine. Si x < a F X (x) = 0 et si x a F X (x) = Variable aléatoire de Bernoulli. (Rappel : P(X = 0) = 1 p et P(X = 1) = p). Si x < 0 F X (x) = 0 si x [0,1[ F X (x) = 1 p et si x 1, F X (x) = Variables aléatoires uniformes. X(Ω) = {x 1,...,x n } avec x1 < < x n. Si x < x 1, F X (x) = 0. Si x [x i,x i+1 [ avec i [1; n 1]] F x (x) = i n et si x x n, F X (x) = 1. On remarque que la loi de X se lit dans les sauts de F X. Nous allons étudier maintenant les propriétés des fonctions de répartitions de variables aléatoires réelles finies. Nous utilisons les notions de limite et de continuité, qui seront rappelées dans un chapitre ultérieur. Attention : le point 4. du théorème ci-dessous dépend de manière cruciale de l hypothèse «X finie»! Théorème La fonction de répartition F X d une variable aléatoire réelle finie X est 1. Croissante sur Ê. 2. x Ê, 0 F X (x) 1 et lim x F X(x) = 0, lim x + F X(x) = F X est continue à droite : x Ê, lim F X (t) = F X (x). t x t>x J. Gärtner. 4
5 4. F X prend un nombre fini de valeurs, elle n a qu un nombre fini de discontinuités. Elle est continue en tout point de Ê X(Ω). 5. x Ê, lim F X (t) = F X (x) P(X = x) = P(X < x) t x t<x 6. F X est continue en x si et seulement si P(X = x) = 0, i.e. x / X(Ω). 7. Si X(Ω) = {x 1,...,x n } avec x 1 < < x n, on a x Ê, F X (x) = i [[1;n]] x i x P(X = x i ) La preuve de ce théorème est intéressante pour commencer à comprendre comment manipuler les variables aléatoires. Démonstration: 1. Soient x, y Ê tels que x y. On a ], x] ], y] donc (X x) (X y) et P(X x) P(X y). C est donc que F X (x) F X (y) et F X est croissante. 2. F X (x) = P(X x) [0, 1]. Posons X(Ω) = {x 1,..., x n } avec x 1 < < x n. Calculons lim F X(x). Si x < x 1, alors (X x) =. Donc F X (x) = P(X x) = 0. x Sur ], x 1 [, F X est la fonction constante nulle, lim F X(x) = 0. x Montrons que lim F X(x) = 1. Dès que x x n on a (X x n ) (X x). Mais x + (X x n ) = n (X = x k) = (X X(Ω)) = Ω. Ainsi 1 = P(X x n ) P(X x) 1 et F X (x) = 1. F X est la fonction constante à 1 sue ]x n, + [, sa limite est Si t < x 1 ou t x n on a vu que F X était constante donc continue à droite. De même, si i [ 1 ; n 1 ] et t [x i, x i+1 [, F X (t) = P(X t) = P( ip(x = x k )) = i P(X = x k ) est contante. Ainsi pour tout x [x 1, x n [ il existe un unique i [ 1 ; n 1 ] tel que x [x i, x i+1 [. Alors lim F X (t) = F X (x) = F X (x i ). 4. C est une conséquence de la preuve de 3. : si i, x x i, F X est constante sur un intervalle ouvert centré en x. 5. Si x / X(Ω), on vient de voir au point 4. que F X est continue en x. Comme P(X = x) = 0 (puisque x n est pas une valeur de X!), on a bien lim F X (t) = F X (x) P(X = x). Si x est l un des x i, avec i 1, on a pour t ]x i 1, x i [, F X (t) = P(X t) = P(X < x i ). C est une fonction constante, d où le résultat sur la limite. Si x = x 1, pour tout t < x on a F X (t) = 0 = P(X < x 1 ), et le résultat suit. 6. et 7. Evident au vu des points précédents. t x t>x t x t<x Théorème (La fonction de répartition caractérise la Loi) Si X et Y sont deux variables aléatoires réelles finies de même fonction de répartition, alors X et Y ont même loi de probabilité, i.e. X Y. Démonstration: En effet la loi de X est la donnée pour tout x X(Ω) de P(X = x). Soit x Ê quelconque. D après le théorème précédent, P(X = x) = F X (x) lim F X (t). Mais F X = F Y donc P(X = x) = F Y (x) lim F Y (t) = P(Y = x). Ceci montre que X(Ω) = Y (Ω) et que X et Y ont même loi. t x t<x t x t<x J. Gärtner. 5
6 Remarque. Les propriétés des variables aléatoires finies montrent que si X(Ω) = {x 1,... x n } avec x 1 < < x n alors on a P(X = x 1 ) = F X (x 1 ) et i [ 2; n ], P(X = x i ) = F X (x i ) F X (x i 1 ) Exemple. Soit X une variable aléatoire finie de fonction de répartition 0 si x < 0 x si 0 x < 1 si 1 x < 2 si 2 x < 4 si 4 x < 7 1 si x 7 Alors X(Ω) = {0,1,2,4,7} et P(X = 0) = 1 2, P(X = 1) = F X(1) F X (0) = = 1 10, P(X = 2) = F X(2) F X (1) = 1 5, P(X = 4) = F X(4) F X (2) = 1 10 et P(X = 7) = F X (7) F X (4) = Remarque. Pour la variable aléatoire de l exemple ci-dessus, on a P(X < 0) = 0. On dit dans ce cas que X est presque-sûrement positive. Exercice. On considère k > 0 urnes contenant chacune n boules identiques numérotées de 1 à n. On extrait une boule de chaque urne, on note X i le numéro de la boule tirée dans l urne i et on pose M = sup{x 1,...,X k }. Montrer que M est une variable aléatoire. Calculer la fonction de répartition de la variable aléatoire M, en déduire sa loi. 2.6 Transfert d une variable aléatoire Définition Soit X une variable aléatoire réelle finie définie sur un espace probabilisable fini (Ω, A). Soit g : X(Ω) Ê une application. Alors { Ω Ê Y : ω g(x(ω)) est une variable aléatoire finie, notée g(x), appelée transfert de X par g. Exemple. On lance deux fois de suite un dé. Cette expérience est modélisée par (Ω = [1; 6]] 2, P(Ω),P) où P est la probabilité uniforme. Soit X la variable aléatoire donnant la différence des chiffres obtenus aux deux lancers et Y = X. Alors par transfert Y est une variable aléatoire finie sur (Ω, P(Ω)). L évènement [X = 1] ne peut pas s écrire à l aide des événements de l ensemble {(Y I), I [0; 5]]}. Autrement dit, en général en effectuant un transfert on perd de l information. Exercice : Donner X(Ω) et Y (Ω). J. Gärtner. 6
7 Pour bien comprendre ce qu est un transfert, il faut connaître les exemples ci-dessous sur le bout des doigts : Exemple. Soit X une variable aléatoire réelle finie d image {x 1,...,x n }. Donnons la loi de Y = g(x) lors que 1. g(x) = ax + b avec a 0. Alors Y (Ω) = {ax i + b, i [1; n ]} et P(Y = y i ) = P(X = y i b ) a 2. g(x) = x 2 alors Y (Ω) = {x 2 i, i [1; n ]} et { P(X = 0) si yi = 0 P(Y = y i ) = P(X = y i ) + P(X = y i ) si y i 0 3. Si g est une bijection (par exemple donnée par g(x) = e x ), P(Y = y i ) = P(X = g 1 (y i )). 4. Si X strictement positive et g : x ln x, alors P(Y = y i ) = P(X = e y i ). Bien entendu tous ces calculs se justifient en explicitant les événements. Par exemple, si y 0 il est clair que [X 2 = y] = [X = y] [X = y] et que ces événements sont incompatibles. Le théorème suivant (à la limite du programme), permet de donner en général la loi d un transfert. Théorème Si X est une variable aléatoire finie d image {x 1,...,x n } et g : X(Ω) Ê. La loi de Y = g(x) est donnée par P(Y = y) = i [[1;n]] t.q. g(x i )=y P(X = x i ) Exercice. On lance deux fois de suite un dé. Cette expérience est modélisée par (Ω = [1; 6]] 2, P(Ω),P) où P est la probabilité uniforme. Soit X la variable aléatoire donnant la différence des chiffres obtenus aux deux lancers et Y = X. Alors par transfert Y est une variable aléatoire finie sur (Ω, P(Ω)). Donner la loi de X et la loi de Y. 3 Moments d une variable aléatoire réelle finie 3.1 Espérance Définition Définition Soit X une variable aléatoire réelle finie sur (Ω, A,P) et telle que X(Ω) = {x 1,...,x n }. L espérance (mathématique) de X est le réel E(X) = n x i P(X = x i ) = i=1 x X(Ω) xp(x = x) J. Gärtner. 7
8 Proposition Si Ω est un univers fini et A = P(Ω), alors E(X) = ω ΩX(ω)P(ω) Démonstration: On note X(Ω) = {x 1,...,x n }. L égalité annoncée dans la proposition provient d un réarrangement de la somme n x i P(X = x i ). i=1 Remarque. Toute variable aléatoire finie a une espérance (ce qui n est pas le cas en général). Cette espérance est une moyenne pondérée. Lorsque X est le gain possible d un jeu, E(X) représente le gain que l on peut espérer «en moyenne» lorsque l on joue plusieurs parties. Exemple. On joue 2 fois à Pile ou Face avec une pièce biaisée qui tombe sur Pile (symbolisé par 1) avec probabilité p ]0,1[. La mise est de 1 euros. Si la pièce tombe sur pile, on gagne 3 euros. Sinon la mise est perdue. L univers est Ω = {0,1} n, on prend A = P(Ω) et P la probabilité définie par indépendance des tirages (modèle étudié à la fin du chapitre 8). On note X la variable aléatoire qui donne le gain (algébrique) du joueur. X est une variable aléatoire car l algèbre choisie est l algèbre discrète. On a X(Ω) = { 2,1,4}. La loi de X est : P(X = 2) = P((0,0)) = (1 p) 2 P(X = 1) = P((0,1) (1,0)) = 2p(1 p) et P(X = 4) = P(1,1) = p 2. En moyenne le joueur gagne E(X) = 1 (1 p) 2 +1 (2p(1 p))+4 p 2. Si p = 0,1 (pièce fortement biaisée...) l espérance vaut 0,59 : en moyenne (sur un grand nombre d expériences) le joueur perd près de 60 centimes. Exemple. 1. La variable aléatoire certaine égale à a a pour espérance E(X) = a. 2. La variable aléatoire X : Ω {0,1} de loi P(X = 1) = p a pour espérance p. 3. L exemple précédent peut aussi s exprimer en fixant un événement A de Ω et en remarquant que X : Ω {0,1} définie par X(ω) = 1 si ω A et X(ω) = 0 sinon est une variable aléatoire de Bernoulli. Sa loi est donnée par P(X = 1) = P(A) (car [X = 1] = A!) et E(X) = P(A). 4. On jette un dé équilibré, on note X le numéro obtenu, on a E(X) = 6 k 1 6 = = Propriétés de l espérance Proposition (Positivité) Soit X une variable aléatoire finie positive (i.e. X(Ω) Ê + ). Alors E(X) 0 et si E(X) = 0, X est presque-sûrement nulle (i.e. P(X = 0) = 1). Démonstration: Par définition E(X) = n x i P(X = x i ). C est une somme de termes positifs i=1 par hypothèse. Si cette somme est nulle, pour tout i, x i P(X = x i ) = 0 puisque c est une somme de termes positifs. Si P(X = x i ) > 0, alors x i = 0 d où le résultat. J. Gärtner. 8
9 Proposition (Linéarité de l espérance cas facile) Soient a, b Ê et X une variable aléatoire réelle finie. Alors E(aX + b) = ae(x) + b. Démonstration: Posons Y = ax + b et X(Ω) = {x 1,..., x n }. Si a = 0, Y est la variable aléatoire certaine b qui est bien d espérance b. Sinon, on a vu que Y (Ω) = {ax i + b, i [ 1 ; n ]} et que P(Y = ax i + b) = P(X = x i ). Donc E(Y ) = n (ax i + b)p(x = x i ) = ae(x) + b i=1 Remarque. C est un cas particulier du théorème de transfert que l on verra ci-dessous. Définition Soit X une variable aléatoire réelle finie. Si E(X) = 0 on dit que X est centrée. Dans le cas où X n est pas d espérance nulle, on peut considérer la variable aléatoire centrée associée à X ; c est X E(X). Démonstration: En effet, E(X E(X)) = E(X) E(X) = 0 d après la proposition ci-dessus. Proposition (Additivité de l espérance) Soit X, Y deux variables aléatoires réelles finies définies sur un même espace probabilisé. Alors E(X + Y ) = E(X) + E(Y ) Démonstration: La démonstration est simple lorsque A = P(Ω) car dans ce cas E(X +Y ) = (X(ω) + Y (ω))p(ω) et on utilise la linéarité de la somme. ω Ω On a donc Proposition (Linéarité de l espérance) Soit X, Y deux variables aléatoires réelles finies définies sur un même espace probabilisé. Alors si a,b Ê, E(aX + by ) = ae(x) + be(y ) Démonstration: Exercice Proposition (Croissance) Si X et Y sont deux variables aléatoires finies définie sur un même espace probabilisé telles que ω Ω, X(ω) Y (ω), alors E(X) E(Y ). Démonstration: On a Y X donc par positivité de l espérance E(Y X) 0 et par linéarité E(Y X) = E(Y ) E(X) donc E(Y ) E(X) Théorème de transfert Le théorème de transfert permet de calculer l espérance du transfert d une variable aléatoire uniquement à l aide de la loi de cette variable. Théorème (Théorème de transfert) Soit X une variable aléatoire réelle finie et X(Ω) = {x 1,...,x n }. Soit g une application J. Gärtner. 9
10 de X(Ω) dans Ê. Alors n E(g(X)) = g(x i )P(X = x i ) = g(x)p(x = x) i=1 x X(Ω) Démonstration: Rappelons que E(X) = ω Ω X(ω)P(ω). On a donc (en se rappelant que [X = x] = {ω Ω, X(ω) = x} et que ces ensembles constituent un système complet d événements) E(g(X)) = ω Ωg(X(ω))P(ω) = x X(Ω) ω [X=x] = x X(Ω) = x X(Ω) = x X(Ω) g(x) g(x)p( g(x(ω))p(ω) ω [X=x] ω [X=x] g(x)p(x = x) P(ω) ω) Exemple. On considère l expérience du jet successif de deux dés. X est la variable aléatoire qui donne la différence du premier et du deuxième jet, et Y = X. Nous pouvons calculer E(Y ) à l aide uniquement de la loi de X. E(Y ) = 5(P(X = 5)+P(X = 5))+4(P(X = 4)+P(X = 4))+ +P(X = 1)+P(X = 1) Il n est pas nécessaire de calculer explicitement la loi de Y. Exercice. Soit X une variable aléatoire réelle finie telle que X(Ω) = [0; n ] et k [0; n ], P(X = k) = ( n k) p k (1 p) n k. Posons Y = X(X 1). C est une variable aléatoire réelle finie. Calculer E(Y ) (on remarquera qu il n est pas nécessaire de préciser Y (Ω)). 3.2 Variance Définition Soit X une variable aléatoire réelle finie. La variance de X est le nombre réel V (X) = E((X E(X)) 2 ) D après le théorème de transfert, on a, en notant µ = E(X) V (X) = x X(Ω) (x µ) 2 P(X = x) La variance mesure en quelque sorte l écart de X par rapport à son espérance E(X). En pratique on utilise rarement la définition de V (X) pour calculer la variance. On lui préfère la formule suivante, qui simplifie un peu les calculs. J. Gärtner. 10
11 Proposition (Formule de Kœnig-Huygens) Soit X une variable aléatoire réelle finie. Alors V (X) = E(X 2 ) (E(X)) 2 Démonstration: En effet en utilisant la linéarité de l espérance V (X) = E((X E(X)) 2 ) = E(X 2 2XE(X) + (E(X) 2 )) = E(X 2 ) 2E(X)E(X) + E(X) 2 = E(X 2 ) (E(X)) 2. Exemple. On joue 2 fois à Pile ou Face avec une pièce biaisée qui tombe sur Pile (symbolisé par 1) avec probabilité p ]0,1[. La mise est de 1 euros. Si la pièce tombe sur pile, on gagne 3 euros. Sinon la mise est perdue. On a vu plus haut que l univers est Ω = {0,1} 2, on prend A = P(Ω). On note X la variable aléatoire qui donne le gain (algébrique) du joueur. X est une variable aléatoire car l algèbre choisie est l algèbre discrète. On a X(Ω) = { 2,1,4}. La loi de X est : P(X = 2) = P((0,0)) = (1 p) 2 P(X = 1) = P((0,1) (1,0)) = 2p(1 p) et P(X = 4) = P(1,1) = p 2. En moyenne le joueur gagne E(X) = 2 (1 p) (2p(1 p)) + 4 p 2. Si on souhaite calculer la variance, on peut utiliser la formule de Kœnig-Huygens, pour cela on commence par calculer E(X 2 ) à l aide du théorème de transfert : E(X 2 ) = k 2 P(X = k) = 4P(X = 2)+P(X = 1)+16P(X = 4) = 4(1 p) 2 +2p(1 p)+16p 2 k X(Ω) On connaît aussi E(X) 2 = ( 2 (1 p) (2p(1 p)) + 4 p 2 ) 2. On a donc tout pour calculer V (X) = E(X 2 ) E(X) 2 Ou bien on utilise la définition (et le théorème de transfert) : V (X) = E((X E(X)) 2 ) = k X(Ω) (k E(X))2 P(X = k) En général le calcul à l aide de la formule de Kœnig-Huygens est plus rapide. Exercice. Dans une urne en contenant N boules numérotées de 1 à N, on tire simultanément n boules. Soit X la variable aléatoire donnant le plus grand des numéros tirés. Calculer E(X) et V (X). Proposition Soit X une variable aléatoire réelle finie et a,b Ê. Alors 1. V (X) V (X) = 0 X = E(X) presque sûrement, i.e. X est une variable aléatoire certaine. 3. V (ax + b) = a 2 V (X) Démonstration: 1. En effet (X E(X)) 2 0 donc E(X E(X)) 2 ) Si X est une v.a. certaine, alors X = E(X) presque sûrement et P(X E(X) = 0) = 1. La variable (X E(X)) 2 est nulle presque sûrement et son espérance est nulle. Réciproquement si V (X) = 0 alors la v.a. positive (X E(X)) 2 est d espérance nulle, donc nulle presque sûrement. P(X = E(X)) = 1. J. Gärtner. 11
12 3. On a (ax + b E(aX + b)) 2 = (ax + b ae(x) b) 2 = (ax ae(x)) 2 = a 2 (X E(X)) 2. Le résultat suit par linéarité de l espérance. Exercice. Soit X une variable aléatoire finie d image {x 1,...,x n }. Montrer que V (X) = 1 i<j n Définition (x i x j ) 2 P(X = x i )P(X = x j ) = 1 2 ω,ω Ω (X(ω) X(ω )) 2 P(ω)P(ω ) Soit X une variable aléatoire réelle finie. On appelle écart-type de X le réel σ(x) = V (X) Si E(X) = 0 et σ(x) = 1 on dit que X est centrée réduite. Proposition Pour toute variable aléatoire réelle finie X, la variable X = X E(X) σ(x) est centrée réduite. On l appelle variable aléatoire centrée réduite associée à X. Démonstration: On a E(X ) = 0 par linéarité et V (X ) = 1 V (X) = 1. σ(x) 2 On emploie souvent l écart type comme mesure de dispersion, c est-à-dire de la manière dont la variable aléatoire s étale autour de son espérance (ou encore, on pourrait remarquer qu une variable aléatoire dont l écart-type est petit, que la probabilité qu elle prenne des valeurs très éloignées de son espérance est très faible). Cette interprétation de l écart-type et de la variance est justifié par l inégalité de Bienaymé-Tchebychev, que l on verra à la fin de l année. 4 Lois finies classiques 4.1 Loi certaine Lorsque qu une variable aléatoire X est constante, on dit qu elle est certaine. On a X(Ω) = a et P(X = a) = 1. Dans ce cas E(X) = a et V (X) = Loi uniforme Modèle : C est la loi que l on rencontre en situation d équiprobabilité; une variable dont toutes les valeurs sont équiprobables. Par exemple : une urne contient 15 boules numérotées, on tire une boule au hasard et on note X son numéro. J. Gärtner. 12
13 Définition Une variable aléatoire réelle X telle quex(ω) = [ 1; n ] et k [ 1; n ], P(X = k) = 1 n est une variable aléatoire qui suit une loi uniforme sur [1; n ]. On note alors X U([ 1; n ]). Exemple. On jette un dé équilibré. Soit X la variable aléatoire qui donne le résultat. X U([ 1; 6 ]). Si x < 1 alors Soit i [1; 5]]. Si i x < i + 1 alors Si 6 x alors 1 1/6 1 6 x Proposition (Espérance et variance) Si X U([ 1; n ]), alors E(X) = n V (X) = n Démonstration: On a E(X) = n kp(x = k) = n k n = n D après le théorème de transfert E(X 2 ) = n k 2 P(X = k) = n k 2 n (n + 1)(2n + 1) =. 6 J. Gärtner. 13
14 D après la formule de Kœnig-Huygens, V (X) = E(X 2 ) E(X) 2 (n + 1)(2n + 1) (n + 1)2 = 6 4 (n + 1)(4n + 2 3n 3) = 12 = n Remarque. La valeur de l espérance est intuitive : la loi uniforme donne le même «poids» à toutes les valeurs entre 1 et n. En moyenne, on est donc vers le milieu de l intervalle! Le cas général ci-dessous est présenté à titre d exemple de techniques classiques. Il convient de retenir la définition et les méthodes! Définition (Cas général) Si a,b avec a < b, on définit la loi uniforme sur [a; b ] par X U([a; b ]) si et seulement si X(Ω) = [a; b ] et k [a; b ], P(X = k) = 1 b a + 1 Ceci correspond à une répartition équilibrée entre tous les points de [a; b ]. Proposition (Lien entre les lois uniformes) Soit a,b et Y U([ 1; b a + 1]]). Posons X = Y + a 1. Alors X U([ a; b]]) Démonstration: En effet, par transfert, X est une variable aléatoire et X(Ω) = [ a ; b ]. On a de plus (toujours le théorème de transfert, cas bijectif car la fonction x x + a 1 est 1 bijective) k [[a; b ], P(X = k) = P(Y = k a + 1) = b a + 1. Proposition (Espérance et variance) Si X U([ a; b ]) alors E(X) = a + b 2 et V (X) = (b a + 1) Démonstration: Il est important de comprendre le principe de cette preuve qui peut servir! On utilise la proposition précédente : soit Y = X a+1. Alors Y U([ 1 ; b a + 1 ]) et X = Y +a 1. On a donc E(X) = E(Y )+a 1 et V (X) = V (Y ). Comme on connaît déjà E(Y ) = b a 2 et V (Y ) = (b a + 1) la variance est bien V (X) = (b a + 1) on a donc E(X) = b a a 1 = b + a 2 et 4.3 Loi de Bernoulli Modèle : La loi de Bernoulli se rencontre lorsqu une expérience aléatoire est une épreuve de Bernoulli (une expérience qui n a que deux issues possibles : succès et échec). C est la loi de la variable aléatoire qui vaut 1 en cas de succès, et 0 en cas d échec. J. Gärtner. 14
15 Définition Soit p ]0,1[. Si X est une variable aléatoire réelle telle quex(ω) = {0,1}, on dit que X est une variable aléatoire de Bernoulli. Son paramètre est la probabilité de succès p = P(X = 1). On note X B(1, p). Fonction de répartition Si x < 0 alors Si 0 x < 1 alors Si 1 x alors 1 1 p 1 x Proposition (Espérance et variance) Si X B(1, p) alors E(X) = p V (X) = p(1 p) Démonstration: E(X) = 0(1 p) + 1 p = p. On remarque que X 2 B(1, p) donc E(X 2 ) = p et d après la formule de Kœnig-Huygens, V (X) = E(X 2 ) E(X) 2 = p p Loi binomiale ou loi des tirages avec remise Modèle : On considère une expérience qui se déroule en répétant n fois, de manière indépendante, une épreuve de Bernoulli. Le succès à une épreuve donnée ne dépend pas des autres résultats. Soit X la variable aléatoire égale au nombre de succès dans cette série de n épreuves de Bernoulli. On dit que X suit la loi binomiale. Alors on a déjà vu que X(Ω) = [0; n ] et ( ) n k [0; n ], P(X = k) = p k (1 p) n k k Définition Soit n Æ, p ]0,1[. Soit X une variable aléatoire réelle telle que X(Ω) = [0; n ] et k [ 0; n ], P(X = k) = ( ) n p k (1 p) n k k J. Gärtner. 15
16 On dit que X sui la loi binomiale de paramètre (n,p). On note X B(n,p). Méthode : Lorsque l on rencontre une variable aléatoire X qui semble être une variable de loi binomiale, on a deux possibilités pour déterminer sa loi : Soit on utilise le modèle : on explicite le fait que X compte le nombre de succès dans une répétition indépendante d épreuves de Bernoulli. Soit on calcule explicitement la loi : on explicite X(Ω) et pour tout k [0; n ] on ( décrit [X = k] de manière suffisamment précise pour prouver que P(X = k) = n ) k p k (1 p) n k. Remarque. X est la somme de n variables aléatoires de Bernoulli : X = n X k où X k est la variable aléatoire indicatrice de l évènement «la kième épreuve est un succès». 1 Exercice. On dispose d une urne qui contient N boules dont b blanches et n noires. On pose p = b. On tire successivement avec remise n boules de l urne. On note X la variable N aléatoire qui donne le nombre de boules blanches tirées. Montrer que X B(n,p). Ceci justifie le nom de loi des tirages avec remise donné à la loi binomiale. Exercice. Soit X une variable aléatoire de loi binomiale de paramètre (n, p). Quelle est la loi de la variable Y = n X? Proposition (Espérance et variance) Si X B(n, p), alors E(X) = np V (X) = np(1 p) Démonstration: On a n ( ) n E(X) = k p k (1 p) n k k k=0 n ( ) n 1 = n p k (1 p) n k k 1 n 1 ( ) k = n p k+1 (1 p) n k 1 n 1 k=0 = np(p + (1 p)) n 1 = np Pour le calcul de la variance, il faut remarquer que k 2 = k(k 1) + k. Cette astuce permet très souvent de faciliter les calculs de variance car elle permet d itérer la formule k ( ) ( n k = n n 1 ( k 1) : on utilise le fait que k(k 1) n ) ( k = n(k 1) n 1 ) ( k 1 = n(n 1) n 2 k 2). On a V (X) = E(X 2 ) E(X) 2 = E(X(X 1)) + E(X) E(X) 2 = E(X(X 1)) + np (np) 2 1. Les variables de Bernoulli sont, comme on le verra plus tard, de même paramètre p et indépendantes. J. Gärtner. 16
17 et à l aide du théorème de transfert n ( ) n E(X(X 1)) = k(k 1) p k (1 p) n k k k=0 n ( ) n 2 = n(n 1) p k (1 p) n k k 2 k=2 n ( ) n 2 = n(n 1)p 2 p k 2 (1 p) n k k 2 k=2 n 2 ( ) n 2 = n(n 1)p 2 p k (1 p) n 2 k k k=0 = n(n 1)p 2 (p + (1 p)) n 2 = n(n 1)p 2 D où V (X) = n(n 1)p 2 + np (np) 2 = np(1 p) Remarque. La formule donnant l espérance E(X) = np est cohérente avec l interprétation d une loi binomiale comme somme de variables de Bernoulli «indépendantes». Si X = n X k où X k B(1,p) alors E(X) = n E(X k ) = n p = np. Attention, la somme des variance n est en générale pas la variance de la somme, sauf condition d indépendance. C.f. cours de l année prochaine! 4.5 Loi hypergéométrique ou loi des tirages sans remise Cette loi n est plus au programme, mais est présentée ici à titre d exercice. C.f. TD! Modèle : On dispose d une urne contenant N boules dont b blanches et r rouges. On pose p = b la proportion de boules blanches. On tire successivement sans remise n boules N de l urne (on suppose n N). Ω est l ensemble des parties à n boules de l urne qui en contient N. On a Card Ω = ( N. Au vu des hypothèse, on peut supposer que l espace probabilisé qui convient est l espace (Ω, P(Ω),P) où P est la probabilité uniforme. On note X la variable aléatoire qui donne le nombre de boules blanches tirées. Alors 2 X(Ω) = [max(0,n r); min(n,b)]] = [ max(0,n N(1 p)); min(n,np) ] car si on tire plus de boule qu il y a de boules rouges, X(ω) n r et on peut tirer au plus la totalité des boules blanches disponibles (si on tire plus de boules qu il n y a de boules blanches). Tirer exactement k boules blanches revient à tirer k boules blanches et n k boules rouges. Ainsi ( b r ) k X(Ω), P(X = k) = k)( n k ( N = ( Np k )( N(1 p) n k X est la somme de n variables de Bernoulli : X = n X k où X k est la variable aléatoire ( N indicatrice de l évènement «le k-ième tirage est une boule blanche» On peut considérer que X(Ω) = [[0; n]] quitte à ajouter des événements négligeables, voir impossibles! 3. Au contraire de la loi binomiale, ces variables de Bernoulli sont dépendantes : leur paramètre dépend du nombre de boules blanches déjà tirées. Ce résultat sera précisé ultérieurement. ) J. Gärtner. 17
18 Définition Soit N Æ et p ]0,1[ tel que Np Æ. Soit X une variable aléatoire telle que X(Ω) = [max(0,n N(1 p)); min(n,np)]] et k [ max(0,n N(1 p)); min(n,np) ], P(X = k) = ( Np k )( N(1 p) n k ( N ) Alors on dit que X suit la loi hypergéométrique de paramètres (N,n,p). On note X H(N,n,p). Exemple. Un lac contient r poissons dont r 1 sont malades. On effectue un prélèvement de n poissons. Quelle est la probabilité d obtenir exactement k 1 poissons malades? Proposition (Formule de Vandermonde) Soit X H(N,n,p). Alors puisque {[X = k],k [ max(0,n N(1 p)); min(n,np)]]} est un système complet d évènements, on a min(n,np) k=max(0,n N(1 p)) ( )( ) Np N(1 p) = k n k Ou encore, en utilisant la convention ( n k) = 0 si k / [0; n ] : n ( )( ) ( ) Np N(1 p) N = k n k n k=0 ( ) N n Proposition (Espérance) Soit X H(N,n,p). Alors E(X) = np Démonstration: On a, à l aide de la formule de Vandermonde et en se rappelant que k ( ) ( Np k = Np Np 1 ) : E(X) = n k k=0 ( Np k )( N(1 p) n k ( N n ) ) = ( Np N n ( )( ) Np 1 N(1 p) k 1 n k = Np ( N ( ) N 1 = np n 1 k 1 Remarque. Il n est pas exigé de connaitre la variance d une loi hypergéométrique : si X H(N,n,p), alors V (X) = np(1 p) N n N 1. Démonstration: Pour calculer V (X), calculons E(X 2 ) à l aide du théorème de transfert et de la formule déjà utilisée pour la loi binomiale (k 2 = k(k 1) + k) : J. Gärtner. 18
19 E(X 2 ) = = = = n k=0 ( Np k 2 k )( N(1 p) n k ( N n (k(k 1) + k) k=0 Np(Np 1) ( N Np(Np 1) ( N ) ( Np k )( N(1 p) n k ( N n ( Np 2 k 2 k=2 ( ) N 2 + np n 2 ) )( N(1 p) n k Np(Np 1)(N 2)!n!(N! = N!(n 2)!(N 2 (n 2))! = n(n 1)p Np 1 N 1 + np + np ) + E(X) Donc V (X) = n(n 1)p Np 1 N 1 + np (np)2 = np(1 p) N n N 1. J. Gärtner. 19
20 4.6 Résumé sur les lois classiques 1. Loi certaine : X : ω a. E(X) = a et V (X) = Loi uniforme sur [ 1; n ] : équiprobabilité des résultats. Si X U([ 1; n ]) alors X(Ω) = k E(X) = V (X) = Loi uniforme sur [a; b]] : Y (Ω) = [a; b ] et k [a; b ], P(Y = k) = Les variables Y et X a + 1 ont On sait donc retrouver espérance et variance. 3. Loi de Bernoulli de paramètre p ]0,1[ : loi du succès dans une expérience qui n a que deux issues. Si X B(1,p) alors X(Ω) = k E(X) = V (X) = 4. Loi de binomiale de paramètre (n,p) : loi du nombre de succès dans une répétition indépendante d épreuves de Bernoulli, ou loi des tirages avec remise (n est le nombre de répétitions, p la probabilité de succès). Si X B(n,p) alors X(Ω) = k E(X) = V (X) = J. Gärtner. 20
Moments 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 détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
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 détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
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 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 détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en 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 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 détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailP1 : Corrigés des exercices
P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à
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 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 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 détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
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 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 détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
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 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 détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en 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 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 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 détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailArbre de probabilité(afrique) Univers - Evénement
Arbre de probabilité(afrique) Univers - Evénement Exercice 1 Donner l univers Ω de l expérience aléatoire consistant à tirer deux boules simultanément d une urne qui en contient 10 numérotés puis à lancer
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailEstimation 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 détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
Plus en détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailIntroduction au Calcul des Probabilités
Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Introduction au Calcul des Probabilités Probabilités à Bac+2 et plus
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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en 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 détailUniversité Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot. 1 Ensemble fondamental loi de probabilité
Université Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot 1 Ensemble fondamental loi de probabilité Exercice 1. On dispose de deux boîtes. La première contient
Plus en détailPROBABILITÉS CONDITIONNELLES
PROBABILITÉS CONDITIONNELLES A.FORMONS DES COUPLES Pour la fête de l école, les élèves de CE 2 ont préparé une danse qui s exécute par couples : un garçon, une fille. La maîtresse doit faire des essais
Plus en détailBaccalauréat 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 détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en 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 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 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 détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
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 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 détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en 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 détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en 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 détailIndépendance Probabilité conditionnelle. Chapitre 3 Événements indépendants et Probabilités conditionnelles
Chapitre 3 Événements indépendants et Probabilités conditionnelles Indépendance Indépendance Probabilité conditionnelle Definition Deux événements A et B sont dits indépendants si P(A B) = P(A).P(B) Attention
Plus en détailCALCUL DES PROBABILITES
CALCUL DES PROBABILITES Exemple On lance une pièce de monnaie une fois. Ensemble des événements élémentaires: E = pile, face. La chance pour obtenir pile vaut 50 %, pour obtenir face vaut aussi 50 %. Les
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 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 détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
Plus en détail4. Exercices et corrigés
4. Exercices et corrigés. N 28p.304 Dans une classe de 3 élèves, le club théâtre (T) compte 0 élèves et la chorale (C) 2 élèves. Dix-huit élèves ne participent à aucune de ces activités. On interroge au
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 détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
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 détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailLes probabilités. Chapitre 18. Tester ses connaissances
Chapitre 18 Les probabilités OBJECTIFS DU CHAPITRE Calculer la probabilité d événements Tester ses connaissances 1. Expériences aléatoires Voici trois expériences : - Expérience (1) : on lance une pièce
Plus en détailDENOMBREMENT-COMBINATOIRE-PROBABILITES GENERALES
BTS GPN ERE ANNEE-MATHEMATIQUES-DENOMBREMENT-COMBINATOIRE-EXERCICE DE SYNTHESE EXERCICE RECAPITULATIF (DE SYNTHESE) CORRIGE Le jeu au poker fermé DENOMBREMENT-COMBINATOIRE-PROBABILITES GENERALES On joue
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
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 détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
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 détail9 5 2 5 Espaces probabilisés
BCPST2 9 5 2 5 Espaces probabilisés I Mise en place du cadre A) Tribu Soit Ω un ensemble. On dit qu'un sous ensemble T de P(Ω) est une tribu si et seulement si : Ω T. T est stable par complémentaire, c'est-à-dire
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 détailNOTIONS DE PROBABILITÉS
NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5 ARTHUR CHARPENTIER 1 Un certain test médical révèle correctement, avec probabilité 0.85, qu une personne a le sida lorsqu elle l a vraiment et révèle incorrectement,
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 détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en 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 détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en 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 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
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 détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en 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 détailEI - EXERCICES DE PROBABILITES CORRIGES
EI 1 EI - EXERCICES DE PROBABILITES CORRIGES Notations 1 Les coefficients du binôme sont notés ( n p 2 Un arrangement de n objets pris p à p est noté A p n 3 Si A est un ensemble fini, on notera A ou card
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 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 détailIII- Raisonnement par récurrence
III- Raisonnement par récurrence Les raisonnements en mathématiques se font en général par une suite de déductions, du style : si alors, ou mieux encore si c est possible, par une suite d équivalences,
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 détail