Cours de probabilités pour les professeurs stagiaires
|
|
- Virginie Pierre
- il y a 7 ans
- Total affichages :
Transcription
1 Centre Régional des Métiers de l Education et de la Formation, Derb Ghalef, Casablanca, Maroc Filière : Secondaire qualifiant Specialité : Mathématiques Cours de probabilités pour les professeurs stagiaires Pr. Khalid HATTAF Année de formation :
2 Table des matières 1 Analyse combinatoire Principe fondamental de dénombrement Arrangements Permutations Combinaisons Cardinal d un ensemble fini Phénomènes aléatoires et théorie des probabilités Phénomènes aléatoires Définitions Exemples Opérations sur les événements Définition d une probabilité Probabilité sur des ensembles finis ou dénombrables Probabilité conditionnelle et indépendance Probabilité conditionnelle Indépendance Variables aléatoires Introduction Loi de probabilité
3 3.2.1 Définition Variable aléatoire discrète Variable aléatoire continue Fonction de répartition Espérance mathématique et moments Espérance mathématique Moments Couple de variables aléatoires Loi conjointe et marginale Cas des variables discrètes Cas des variables continues Variables aléatoires indépendantes
4 Chapitre 1 Analyse combinatoire L analyse combinatoire ou le dénombrement est l étude des différentes façons de ranger les objets d un ensemble fini. 1.1 Principe fondamental de dénombrement Si une opération globale peut se décomposer en p opérations élémentaires successives, cesdernièrespouvants effectuer respectivement den 1,n 2,...,n p façonsdifférentes, alors le nombre nombre de façons différentes permettant d effectuer ces opérations est égal p au produit n k. Exemples : k=1 1. Combien existe-t-il de façons différentes de répondre au hasard à un examen de 8 questions du type vrai ou faux? 2. Déterminer le nombre de numéros téléphoniques marocains qui commencent par 06? 3. On suppose qu un professeur stagiaire parmi vous a oublié le code pin de son téléphone portable qui est formé de quatre chiffres différents. Combien des essais qu il faut faire pour obtenir le code? 1.2 Arrangements Définition Soit E un ensemble de n objets. On appelle arrangement de p objets toute suite ordonnée de p objets pris parmi les n objets. 3
5 Chapitre 1 Analyse combinatoire 4 Propriétés : 1. Le nombre d arrangements avec répétition de p objets pris parmi n est n p. 2. Le nombre d arrangements sans répétition de p objets pris parmi n est : A p n = n! (n p)! = n(n 1)...(n p+1). 1.3 Permutations Définition Soit E un ensemble de n objets. On appelle permutation de n objets tout arrangement n à n. Propriétés : 1. Le nombre de permutations (sans répétition) de n objets distincts est n!. 2. Le nombre de permutations (avec répétition) de n objets dont n 1 sont semblables, n 2 sont semblables,..., n p sont semblables est : n! n 1!n 2!...n p!. 1.4 Combinaisons Définition Soit E un ensemble de n objets. On appelle combinaison de p objets parmi n tout sous ensemble de E contenant p objets choisis sans répétition dans E. Propriétés : 1. Le nombre de combinaisons de p objets pris parmi n est : C p n = Ap n p! = n! p!(n p)!. 2. Cn p = Cn p n. 3. C p 1 n 1 +C p n 1 = Cn p (Formule de Pascal). n 4. (a+b) n = Cn k ak b n k (Formule du binôme de Newton). k=0 5. (a 1 +a a p ) n = généralisée). n 1 +n n p=n n! n 1!n 2!...n p! an 1 1 an anp p (Formule du binôme
6 Chapitre 1 Analyse combinatoire Cardinal d un ensemble fini Définition Soit E un ensemble fini. On appelle cardinal de E le nombre des éléments de E noté card(e) ou E. Théorème Si E et F sont deux ensembles finis alors 1. card(e F) = card(e)card(f), où E F est le produit cartésien de E par F. 2. card(e F) = card(e)+card(f) card(e F). 3. card(a(e,f)) = card(f) card(e), où A(E,F) est l ensemble des applications de E dans F. 4. card(p(e)) = 2 card(e), où P(E) est l ensemble des parties de E.
7 Chapitre 2 Phénomènes aléatoires et théorie des probabilités 2.1 Phénomènes aléatoires Définitions 1. Un résultat est dit au hasard ou aléatoire, lorsque on ne peut pas le prédire, mais on peut observer la variabilité de ce résultat et en déduire une loi de cette variabilité. 2. Une épreuve aléatoire c est une expérience qu on peut répéter dans des conditions identiques et qui donne plusieurs résultats. L ensemble de tous les résultats possibles est appelé ensemble fondamental (ou univers) noté Ω. Il peut être fini ou infini, dénombrable ou non-dénombrable. 3. Un évènement est c est tout ce qui peut se réaliser ou pas à la suite d une experience aléatoire. Il peut être considérer comme une partie de Ω Exemples 1. On considère l expérience suivante : un professeur-stagiaire lance un dé cubique à 6 faces et il note la valeur obtenue sur la face supérieure de ce dé. Quel est l univers associé à cette expérience? Comment d écrire l événement A= obtenir un nombre premier? 2. On jette une pièce de monnaie jusqu à ce que face apparaisse, et on compte le nombre de fois que l on a jeté la pièce? Quel est l univers associé à cette expérience? 6
8 Chapitre 2 Théorie des probabilités 7 3. Si on observe la durée de vie d une ampoule électrique, quel est l univers associé à cette expérience? 4. Si on choisit au hasard un nombre a [0,3] et un autre b [ 2,0], quel est l univers associé à cette expérience? Déterminer l événement B= la distance entre a et b soit plus grande que 3? Opérations sur les événements Mathématiquement, on associe un évènement à une partie de Ω. Les opérations logiques se traduisent par des ensembles. Ā = Ac = CΩ A = Ω A, le complémentaire de A est l événement qui est réalisé si et seulement si A n est pas réalisé. Cet événement est appelé événement contraire. A B désigne un événement qui est réalisé si A ou B est réalisé (au moins un des événements A et B est réalisé). A B désigne un événement qui est réalisé si A et B sont réalisés. Lorsque la réalisation de A entraîne la réalisation de B, on écrit A B désigne l événement impossible et Ω est l événement certain. Si A = {a},a Ω est appelé événement élémentaire. Si A B =, on dit que les événements A et B sont incompatibles. Dans ce cas, A et B ne peuvent pas se réaliser simultanément. 2.2 Définition d une probabilité Un moyen de définir la probabilité d un événement est de le faire en termes de fréquence relative. Définition Quand une expérience est répétée un grand nombre de fois, la fréquence relative de réalisation d un événement élémentaire se rapproche d une valeur particulière appelée la probabilité de cet événement élémentaire. D une manière général, la probabilité d un événement A est donnée par : P(A) = lim n n(a) n, avec n(a) est le nombre de fois où A apparaît dans les n premières répétitions de l expérience. Cette définition possède un inconvénient majeur. Dans le cas du lancer d une pièce par exemple, peut-on être sûr que la proportion de pile va tendre vers une limite et que cette limite sera indépendante de la suite de lancers effectuée? Les partisans de cette
9 Chapitre 2 Théorie des probabilités 8 définition en termes de fréquence relative en faisant remarquer que la convergence est une hypothèse ou un axiome, elle ne peut être remise en question. Il est raisonnable de définir la probabilité par des axiomes plus simples et intuitivement acceptable pour essayer de prouver qu une telle limite existe. La modélisation du calcul des probabilités a été inventée par A. N. Kolmogorov dans le livre intitulé Les fondements de la théorie des probabilités paru en Cette modélisation mathématique est faite à partir d un triplet (Ω,τ,P), permettant de traiter le cas où Ω est infini. L idée de Kolmogorov est que l ensemble τ des événements a une structure de tribu. Rappelons qu un sous-ensemble τ de parties de Ω (i.e., τ P(Ω)) est dite une tribu, ou une σ-algebre, si les axiomes suivants sont vérifiés (i) A τ, A c τ (Stabilité par passage au complémentaire) (ii) Pour toute famille dénombrable (A i ) i IN + i=0 A i τ (Stabilité par réunion dénombrable). Le couple (Ω, τ) est appelé espace probabilisable. d éléments de τ, Définition Soit Ω un ensemble fondamental muni d une tribu d événements τ. On appelle probabilité (ou mesure de probabilité) toute application P de τ dans [0, 1] vérifiant les axiomes suivants : (i) P(Ω) = 1, (ii) Pour toute suite d évènements (A i ) i IN disjoints (pour tout i j, A i A j = ), + P( i=0 A i ) = + i=0 P(A i ). Le triplet (Ω, τ, P) est appelé espace de probabilité ou espace probabilisé. Propriétés Soit (Ω, τ, P) un espace de probabilité. On a alors 1. P( ) = Si (A i ) 0 i n une suite finie d événements disjoints, alors n P( A i ) = i=0 n P(A i ). i=0 En particulier, si A et B sont deux événements disjoints alors P(A B) = P(A)+P(B). 3. Pour tout événement A, P(Ā) = 1 P(A). 4. Si A B alors P(A) P(B) et P(B\A) = P(B) P(A).
10 Chapitre 2 Théorie des probabilités 9 5. Si A et B deux événements, mais ne sont pas nécessairement disjoints, alors Exercice : Démontrer ces propriétés. P(A B) = P(A)+P(B) P(A B). 2.3 Probabilité sur des ensembles finis ou dénombrables Soient Ω un ensemble fondamental fini ou dénombrable et τ = P(Ω). Soit ω ω, on note par P ω la probabilité du singleton {ω} et par P i la probabilité du singleton {ω i }, i I IN. Proposition Si P est une probabilité sur (Ω,τ) alors : (i) P ω 0, (ii) w ΩP ω = 1, (iii) A Ω, w A P ω = P(A) et par convention w P ω = 0. Exemple important (Probabilité uniforme) : Soit Ω un ensemble fondamental fini tel que Ω = {ω 1,ω 1,...,ω n }. On suppose que P 1 = P 2 =... = P n = p. Dans ce cas, on dit que les événements sont équiprobables et il est facile de prouver que la probabilité d un événement quelconque A est donnée par : P(A) = card(a) card(ω). Exercice : On jette un dé parfait (i.e. on a la même probabilité d obtenir chaque face). Quelle la probabilité d obtenir un nombre pair? Proposition Soit P ω Ω une famille qui vérifiée : ω Ω, P ω 0 et w ΩP ω = 1. Alors il existe une unique probabilité tels que P(ω) = P ω et pour tout A Ω P(A) = w AP ω.
11 Chapitre 2 Théorie des probabilités 10 Exemples : 1. La loi binomiale : c est la probabilité sur Ω = {0,1,...,n} définie par P k = C i n pk (1 p) n k, où (n,p) IN [0,1] 2. La loi de Poison : c est la probabilité sur Ω = IN définie par P k = λk k! e λ, où k IN et λ [0,+ ) est le paramètre. 3. La loi géométrique : c est la probabilité sur Ω = IN définie par P k = (1 a)a k où a [0,1) est le paramètre. 2.4 Probabilité conditionnelle et indépendance Dans tout ce qui suit, (Ω,τ,P) est un espace probabilisé fixé Probabilité conditionnelle Définition Soient A et B deux événements avec P(A) 0. On définit la probabilité conditionnelle de B sachant que A est réalisé par : P(B/A) = P(A B). P(A) On dit aussi la probabilité de B relativement à A. Exemple : Une urne contient 10 boules rouges et 6 boules noires. On effectue deux tirages successifs sans mettre la première boule dans l urne (tirage sans remise). Quelle est la probabilité d obtenir une boule rouge puis une boule noire? Proposition (Formule des probabilités composées) Soient A i, (i=1,...,n), des événements, alors P(A 1 A 2... A n ) = P(A 1 )P(A 2 /A 1 )P(A 3 /A 1 A 2 )...P(A n /A 1 A 2... A n 1 ). Remarque.SiA n A n 1... A 2 A 1,alorslaformuledesprobabilitéscomposées devient P(A n ) = P(A 1 )P(A 2 /A 1 )P(A 3 /A 2 )...P(A n /A n 1 ). Proposition (Formule des probabilités totales) Soit (A i ) i I IN une partition au plus dénombrablede Ω constitué d événements vérifiant P(A i ) 0. Alors P(B) = P(B/A i )P(A i ). i I
12 Chapitre 2 Théorie des probabilités 11 Remarque important. En pratique, on utilise très souvent cette formule des probabilités totales en conditionnant successivement par un événement et son contraire, c est-à-dire en prenant tout simplement une partition de type (A,Ā), ce qui donne P(B) = P(B/A)P(A)+P(B/Ā)P(Ā). Proposition (Formule de Bayes) Soit (A i ) i I IN une partition au plus dénombrablede Ω constitué d événements vérifiant P(A i ) 0. Alors P(A j /B)) = P(B/A j)p(a j ) P(B/A i )P(A i ). Cette formule dit aussi formule de probabilité des causes. i I Indépendance Intuitivement, deux événements A et B sont indépendants lorsque le fait de savoir que l un quelconque de ces deux événements est réalisé ne modifié pas la probabilité de la réalisation de l autre. Le but de cette section est de préciser ceci mathématiquement et de l étendre à plus de deux événements. Définition (Indépendance de 2 événements) Deux évènements A et B sont dits indépendants si : P(A B) = P(A)P(B). Si P(A) 0 alors P(B/A) = P(B) et on trouve on retrouve la notion intuitive d indépendance : le fait que A se soit réalisé ne modifié pas la probabilité de la réalisation de B. Conséquence : Si A et B sont indépendants alors les couples (Ā,B), (A, B) et (Ā,B) et (Ā, B) sont indépendants. Exercice : Démontrer cette conséquence. Définition (Indépendance 2 à 2 et indépendance mutuelle) Soit (A i ) i I IN une suite d événements. On dit qu ils sont : 2 a 2 indépendants si pour tout couple (i,j) avec i j, A i et A j sont independants; mutuellement indépendants si pour toute partie finie J I, on a P( A i ) = P(A i ). i J i J
13 Chapitre 2 Théorie des probabilités 12 Il est clair que l indépendance mutuelle implique l indépendance 2 à 2. Mais la réciproque est fausse comme le montre l exemple suivant. Exemple : On jette deux pièces de monnaie bien équilibrées. On considère les événements suivants : A = pile apparait sur la premire piece, B = pile apparait sur la deuxime piece, C = pile apparait sur une seule des deux pieces. Vérifier que les événements A, B et C sont 2 a 2 indépendants, mais ils ne sont pas mutuellement indépendants.
14 Chapitre 3 Variables aléatoires 3.1 Introduction La notion de variable aléatoire permet de modéliser des phénomènes aléatoires, on associe à chaque résultat d une épreuve une grandeur mathématique, très souvent un nombre. Mathématiquement parlons, une variable aléatoire réelle X sur un espace probabilisé (Ω,τ,P) est une application de Ω vers IR telle que l inverse de chaque intervalle de IR soit un événement de Ω. Notons que si Ω est un ensemble au plus dénombrable (fini ou dénombrable) alors toute partie de Ω est un événement. Dans ce cas, toute application de Ω vers IR est une variable aléatoire. 3.2 Loi de probabilité Définition Définition La distribution ou la loi de probabilité d une variable aléatoire X sur un ensemble fondamental Ω, est la probabilité P X définie par : P X (B) = P(X 1 (B)) = P(X B) pour tout un intervalle de B de IR. Plusieurs cas se présente suivant des valeurs prises par X. Ces valeurs peuvent être discrètes ou non et l ensemble des valeurs prises par X est notée X(Ω). 13
15 Chapitre 3 Théorie des probabilités Variable aléatoire discrète Dans ce cas X(Ω) est fini ou dénombrable. Si X(Ω) = {x 1,x 2,...,x n } ou X(Ω) = {x 1,x 2,...,x n,...} alors loi de de probabilité de X est entièrement déterminée par la donnée des P i = P(X = x i ). De plus, on a P i 0 et P i = 1. i Exemple : On lance un dé bien équilibré. Si le résultat est pair, le joueur gagne le triple du résultat. Si le résultat est impair, le joueur pert le double du résultat. Soit X la variable aléatoire représentant le gain du joueur. Donner les valeurs possibles de X et sa loi de probabilité Variable aléatoire continue Dans ce cas X(Ω) est une réunion d intervalles de IR et loi de de probabilité de X est entièrement déterminée par la donnée des P(X x), pour tout x IR. Exemple : On tire sur une cible circulaire de rayon R > 0. Supposons que tous les tirs atteignent la cible et que la probabilité d atteindre une partie de la cible est proportionnelle à l aire de cette partie. Soit X la variable aléatoire qui indique la distance du point d impact au centre de la cible. Donner les valeurs possibles de X et sa loi de probabilité. 3.3 Fonction de répartition Définition On appelle appelle fonction de répartition de la variable aléatoire X l application F : IR IR définie par : Propriétés : F(x) = P X (],x]) = P(X ],x]) = P(X x). i) La fonction de répartition est croissante. ii) La fonction de répartition a pour limite 0 en et 1 en +. iii) La fonction de répartition est continue à gauche en tout point. iv) Pour tous réels a et b tels que a b, P(a < X b) = F(b) F(a). Définition Si la fonction de répartition F d une variable aléatoire continue est dérivable sur IR, sauf peut être en un nombre fini de points, et si pour tout x IR on a : P(X x) = F(x) = x f(t)dt,
16 Chapitre 3 Théorie des probabilités 15 avec f est la dérivée de F. On dit que X est une variable aléatoire absolument continue que f est la densité de probabilité (ou fonction de distribution) de X. Remarque : i) Si X est absolument continue de densité de probabilité f on a : Pour tous réels a et b tels que a b, P(a X b) = b f(t)dt = F(b) F(a). a + f(t)dt = 1 et f(t) 0, t IR. ii) Si X est une variable aléatoire discrète on a : Pour tous réels a et b tels que a b, P(a X b) = m i=n P(X = x i), où x i [a,b]. Dans ce cas, F(x) = k i=1 P(X = x i) où x 1,x 2,...,x k x et que F est une fonction en escalier. 3.4 Espérance mathématique et moments Espérance mathématique Définition Soit X une variable aléatoire réelle. Si X prend les valeurs x 1, x 2,..., x n, l espérance de X est définie par : E(X) = n x i P(X = x i ). i=1 Si X prend une infinité dénombrable de valeurs x 1, x 2,..., et +, l espérance de X est définie par : + i=1 x i P(X = x i ) < E(X) = + i=1 x i P(X = x i ). Si X est absolument continue de densité de probabilité f, l espérance de X est définie par : E(x) = + tf(t)dt Moments Définition 3.4.2
17 Chapitre 3 Théorie des probabilités 16 On appelle moment d ordre k d une variable aléatoire X le nombre réel m k défini par : m k = E(X k ). On appelle moment centré d ordre k d une variable aléatoire X le nombre réel µ k défini par : µ k = E((X E(X)) k ). On appelle variance k d une variable aléatoire X le nombre réel V(X) défini par : V(X) = µ 2 = E((X E(X)) 2 ) = E(X 2 ) (E(X)) 2. On appelle ecrart-type d une variable aléatoire X le nombre positif σ défini par : σ = V(X). 3.5 Couple de variables aléatoires Loi conjointe et marginale Définition Soient X et Y deux variables aléatoires. La loi conjointe (ou loi de probabilité) de (X,Y) est définie par sa fonction de répartition : F(x,y) = P(X x,y y), où (X x,y y) = {X x} {X y}. Les lois marginales du couple (X,Y) sont la loi de X, et la loi de Y Cas des variables discrètes Soient X et Y deux variables discrétes. La loi du couple (X,Y) est définie par la donnée des probabilités P(X = x,y = y). De plus, la loi marginale de chacune des variables du couple peut se déduire de la loi conjointe. Par exemple, on retrouve la loi marginale de la variable X en sommant sur toutes les valeurs prises par Y : x X(Ω), P(X = k) = P(X = x,y = y). y Y(Ω) Dans le cas où les variables sont discrètes et prennent un fini nombre de valeurs, on écrit en général la loi du couple sous la forme d un tableau. Exemple : On lance 3 fois une pièce de monnaie bien équilibrée. Soit X la variable aléatoire prenant respectivement les valeurs 0 et 1 selon le premier jet donne pile ou
18 Chapitre 3 Théorie des probabilités 17 face. Y désigne le nombre de pile obtenu. Déterminer la loi conjointe du couple (X,Y) et les lois de X et Y. Définitions : Soient X et Y deux variables aléatoires discrètes. (i) On appelle covariance de X et Y le réel défini par : Cov(X,Y) = E[ ( X E(X) )( Y E(Y) ) ] = E(XY) E(X)E(Y). (ii) On appelle coefficient de corrélation de X et Y le réel défini par : ρ(x,y) = Cov(X,Y) σ(x)σ(y). (iii) On dit que deux variables aléatoires X et Y sont non corrélées si (iv) X et Y sont dites indépendantes si Cov(X,Y) = 0. (x,y) X(Ω) Y(Ω) P(X = x,y = y) = P(X = x)p(x = y), cela signifie que pour tout couple (x,y) X(Ω) Y(Ω), les événements {X = x} et {Y = y} sont indépendants. Propriétés : Soient X et Y deux variables aléatoires et a, b, c, d des réels. Alors, on a les propriétés suivantes : (i) Cov(X,Y) = Cov(Y,X), (ii) Cov(X,X) = V(X), (iii) ρ(ax +b,cy +d) = ρ(x,y), (iv) ρ(x,y) [ 1,1], (v) ρ(x,y) = 1 a,b IR,Y = ax +b. Théorème Soient X et Y deux variables aléatoires réelles indépendantes. On a alors : (i) E(XY) = E(X)E(Y), (ii) V(X +Y) = V(X)+V(Y), en particulier Cov(X,Y )=0. Exemple : Une urne contient 4 boules blanches, 2 boules noires et 4 boules rouges. On extrait de cette urne 3 boules au hasard et sans remise. Soit X le nombre de boules blanches et Y le nombre de boules noires figurant dans l échantillon. 1. Quelle sont les valeurs prises par X et Y? 2. Calculer la loi de probabilité du couple (X,Y) et en déduire le tableau à double entré. 3. Calculer Cov(X,Y) et ρ(x,y).
19 Chapitre 3 Théorie des probabilités Cas des variables continues Dans ce cas (X,Y) prend ses valeurs dans un domaine D IR 2. Soit f une fonction à valeurs réelles définie et continues dans D et qui satisfait aux propriétés suivantes : f(x,y) 0, (x,y) D f(x,y)dxdy = 1. On munit D d une loi de probabilité en posant P({(x,y) A}) = f(x,y)dxdy, A D. D A La fonction f est appelée densité de probabilité du couple (X,Y). La fonction de répartition du couple (X,Y) de densité f est donnée par : F(x,y) = P(X x,y y) = x y f(s, t)dsdt, Réciproquement, si F est donnée, il suffit de dériver(lorsque c est possible) pour obtenir f(x,y) = 2 F s t (x,y). Lorsque (X,Y) est un couple de variables aléatoires de densité f, chacune des variables X et Y admettent des densités que l on appelle densités marginales. On obtient les densités marginales de X et de Y de la manière suivante P(X A) = P(X A,Y IR) ( = A IR f(x,y)dy) dx = f X (x)dx. A Par conséquent, nous avons f X (x) = IR f(x,y)dy. Par symétrie des rôles de x et de y, on obtient f Y (y) = IR f(x,y)dx. Exemple : Soit (X,Y) un couple de variables aléatoires dont la densité conjointe est donnée par { 2e f(x,y) = x e 2y, (x,y) IR 2 +; 0, sinon. Quelle est la loi marginale de la variable X? Calculer la probabilité de l événement (X < Y).
20 Chapitre 3 Théorie des probabilités Variables aléatoires indépendantes Définition Deux variables aléatoires X et Y sont indépendantes si pour tout intervalle A et B de IR on a : P(X A,Y B) = P(X A)P(Y B), où (X A,Y B) = {X A} {X B}. Définition Les variables aléatoires X 1, X 2,..., X n sont mutuellement indépendantes si pour tous intervalles A 1,..., A n de IR on a : P(X 1 A 1,...,X n A n ) = n P(X i A i ). i=1
Distribution 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. 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 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 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 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 détailCours de Probabilités et de Statistique
Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles
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 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 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 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 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 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 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 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 détailCalculs de probabilités
Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile
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 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 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 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 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 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 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 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 détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
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 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 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 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 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 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 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 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 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 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 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 détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
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 détailBureau N301 (Nautile) benjamin@leroy-beaulieu.ch
Pre-MBA Statistics Seances #1 à #5 : Benjamin Leroy-Beaulieu Bureau N301 (Nautile) benjamin@leroy-beaulieu.ch Mise à niveau statistique Seance #1 : 11 octobre Dénombrement et calculs de sommes 2 QUESTIONS
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 détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailProbabilités et Statistique
Ricco Rakotomalala Probabilités et Statistique Notes de cours Université Lumière Lyon 2 Avant-propos Ce document est un support de cours pour les enseignements des probabilités et de la statistique. Il
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailAnalyse Combinatoire
Analyse Combinatoire 1) Équipes On dispose d un groupe de cinq personnes. a) Combien d équipes de trois personnes peut-on former? b) Combien d équipes avec un chef, un sous-chef et un adjoint? c) Combien
Plus en détailLes probabilités. Guide pédagogique Le présent guide sert de complément à la série d émissions intitulée Les probabilités produite par TFO.
Guide pédagogique Le présent guide sert de complément à la série d émissions intitulée produite par TFO. Le guide Édition 1988 Rédacteur (version anglaise) : Ron Carr Traduction : Translatec Conseil Ltée
Plus en détailExercices de dénombrement
Exercices de dénombrement Exercice En turbo Pascal, un entier relatif (type integer) est codé sur 6 bits. Cela signifie que l'on réserve 6 cases mémoires contenant des "0" ou des "" pour écrire un entier.
Plus en détailIntégrale de Lebesgue
Intégrale de Lebesgue L3 Mathématiques Jean-Christophe Breton Université de Rennes 1 Septembre Décembre 2014 version du 2/12/14 Table des matières 1 Tribus (σ-algèbres) et mesures 1 1.1 Rappels ensemblistes..............................
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 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 détailPremiers exercices d Algèbre. Anne-Marie Simon
Premiers exercices d Algèbre Anne-Marie Simon première version: 17 août 2005 version corrigée et complétée le 12 octobre 2010 ii Table des matières 1 Quelques structures ensemblistes 1 1.0 Ensembles, relations,
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 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 détailINF 162 Probabilités pour l informatique
Guy Melançon INF 162 Probabilités pour l informatique Licence Informatique 20 octobre 2010 Département informatique UFR Mathématiques Informatique Université Bordeaux I Année académique 2010-2011 Table
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 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 détailExo7. Probabilité conditionnelle. Exercices : Martine Quinio
Exercices : Martine Quinio Exo7 Probabilité conditionnelle Exercice 1 Dans la salle des profs 60% sont des femmes ; une femme sur trois porte des lunettes et un homme sur deux porte des lunettes : quelle
Plus en détailIntégration sur des espaces produits
Chapitre 5 Intégration sur des espaces produits 5.1 Produit de deux mesures Étant donnés deux espaces mesurés (Ω 1, F 1, µ 1 ) et (Ω 2, F 1, µ 2 ), le but de cette section est de construire une mesure
Plus en détailMesure de probabilité, indépendance.
MATHEMATIQUES TD N 2 : PROBABILITES ELEMENTAIRES. R&T Saint-Malo - 2nde année - 2011/2012 Mesure de probabilité, indépendance. I. Des boules et des cartes - encore - 1. On tire simultanément 5 cartes d
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 détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
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 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 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 détailObjets Combinatoires élementaires
Objets Combinatoires élementaires 0-0 Permutations Arrangements Permutations pour un multi-ensemble mots sous-ensemble à k éléments (Problème du choix) Compositions LE2I 04 1 Permutations Supposons que
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en 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 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 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 détailTriangle de Pascal dans Z/pZ avec p premier
Triangle de Pascal dans Z/pZ avec p premier Vincent Lefèvre (Lycée P. de Fermat, Toulouse) 1990, 1991 1 Introduction Nous allons étudier des propriétés du triangle de Pascal dans Z/pZ, p étant un nombre
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en 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 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 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 détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
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 détailProbabilités et Statistique
Probabilités et Statistique Y. Velenik Version du 24 mai 2012 Dernière version téléchargeable à l adresse http://www.unige.ch/math/folks/velenik/cours.html 2011-2012 2 Table des matières Table des matières
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailCOMBINATOIRES ET PROBABILITÉS
COMBINATOIRES ET PROBABILITÉS ème année. Analyse combinatoire.. Outils.. Principe de décomposition.. Permutations.. Arrangements..5 Combinaisons 8.. Développement du binôme 9..7 Ce qu il faut absolument
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 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 détail