1. Donner la loi, l espérance et la variance de X 1.
|
|
- Adam Monette
- il y a 7 ans
- Total affichages :
Transcription
1 Exercice 1 On considère une urne contenant n boules numérotées portant des numéros deux à deux distincts. Un premier joueur effectue dans l urne des tirages sans remise jusqu à ce qu il obtienne la boule portant le plus grand numéro. On note X 1 le nombre de tirages effectués par ce joueur. S il reste des boules dans l urne, un deuxième joueur effectue la même expérience (c est-à-dire qu il effectue des tirages sans remise jusqu à obtenir la boule de plus grand numéro parmi celles présentent au moment où il entre en jeu). On note X 2 le nombre de tirages effectués par ce second joueur (nombre qui vaut éventuellement 0). 1. Donner la loi, l espérance et la variance de X Donner la loi de X 2 conditionnée par X 1. En déduire que pour 1 k n 1, P (X 2 = k) = 1 n la loi de X Calculer l espérance E(X 2 ). n 1 i=k 1, puis donner i 1
2 Exercice 2 Soit N IN et une suite (X i ) i IN de variables aléatoires définies sur le même espace probabilisé, indépendantes et qui suivent toutes la loi uniforme sur {1,..., N}. Soit U la variable aléatoire discrète définie par : U = max{k / j {1,..., k 1}, X j > X j+1 } Soit T la variable aléatoire discrète définie par : T = max{k / X X k N} 1. Déterminer la loi de U et son espérance. 2. Montrer que, pour tous entiers naturels p et q : q ( ) k = p (on rappelle que si j > i, alors ( ) i j = 0) 3. Déterminer la loi de T. ( ) q + 1 p + 1 Exercice 3 On lance une pièce équilibrée n fois (n 2). Pour tout k {1,..., n}, A k désigne l événement on obtient Pile au k-ième lancer. Soit A n+1 l événement le nombre de Piles obtenus au cours des n lancers est pair. 1. Déterminer les probabilités des événements A k, k = 1, 2,..., n (a) Déterminer la probabilité P (A n+1 A 1... A n ) (b) En déduire que les événements A 1,..., A n+1 ne sont pas mutuellement indépendants (i.e. P (A 1 A n A n+1 ) P (A 1 ) P (A n )P (A n+1 )). 3. Montrer que toute sous famille de n événements choisis parmi A 1,..., A n, A n+1 est formée d événements mutuellement indépendants. 2
3 Exercice 4 1. Soit X une variable aléatoire à valeurs dans l ensemble des entiers positifs. Montrer que : n n 1 n IN, ip (X = i) = P (X > k) np (X > n). i=0 Les nombres a et b sont des entiers naturels non nuls tels que a b. On effectue dans une urne contenant initialement b boules blanches et b boules noires une suite infinie de tirages avec remise, en rajoutant dans l urne a boules blanches supplémentaires après chaque tirage ayant donné une boule blanche. On note, pour tout entier naturel n non nul, A n l événement les n premiers tirages ont tous donné une boule blanche. (a) Montrer que : puis, n IN, P (A n+1 ) = na + b na + 2b P (A n) n IN, P (A n ) b na + b (b) Déterminer la probabilité de l événement: B = la boule noire n a jamais été tirée. On note alors X la variable aléatoire donnant le numéro du premier tirage auquel est apparue la boule noire. Comparer les événements X > k et A k. (c) Calculer P (A n ). Étudier l existence et si elle existe donner la valeur de l espérance de X, dans chacun des cas suivants: i. b = a. ii. b = 2a. On pourra dans ce dernier cas montrer l existence de deux réels α et β tels que : n IN, 1 (n + 1)(n + 2) = α n β n
4 Exercice 5 On dispose de n pièces non équilibrées (n 2). Chaque pièce peut amener Pile avec la probabilité p (0 < p < 1) et face avec la probabilité q = 1 p. On lance les n pièces de monnaie en l air toutes ensemble. 1. Soit X la variable aléatoire représentant le nombre de pièces ayant amené Pile. Déterminer la loi de X. 2. Justine a les yeux bandés et n a pas assisté au lancer. Elle choisit au hasard k pièces parmi les n, k étant un nombre fixé a priori avec 0 < k < n. Ele gagne alors parmi les k pièces celles qui présentent Pile. Déterminer la loi de la variable aléatoire Y égale au nombre de pièces gagnées par Justine. 3. On soupçonne Justine d avoir triché en ayant essayé de deviner au toucher les pièces ayant amené Pile. On lui demande donc de relancer les k pièces qu elle a choisies ; elle gagnera celles, parmi les k, qui amèneront Pile. Soit Z la variable aléatoire représentant ce nouveau gain. (a) Déterminer la loi de Z. Quel commentaire peut on faire? (b) Soit W la variable aléatoire représentant le nombre de Pile parmi les n k pièces non choisies par Justine. Déterminer la loi de W. 4
5 Exercice 6 1. Soit X une variable aléatoire définie sur un espace probabilisé (Ω, A, P ) et suivant une loi géométrique de paramètre p, avec 0 < p < 1. Étudier la convergence et déterminer la limite éventuelle de la suite de terme général u n où : u n = P (X > n) P (X = n) 2. Soit Y une variable aléatoire définie sur un espace probabilisé (Ω, A, P ) suivant une loi de Poisson de paramètre k, avec k > 0. Étudier la convergence et déterminer la limite éventuelle de la suite de terme général u n où : P (Y > n) u n = P (Y = n) 3. (a) On pose w n = j=n 1. Déterminer un équivalent de w j 2 n de la forme C, où C et α sont deux constantes que l on calculera. n α (b) Déterminer une variable aléatoire Z à valeurs dans N telle que la suite de terme général u n = P (Z>n) diverge vers l infini. P (Z=n) (c) Soit x un élément de IR {, + }. Discuter l existence d une P (T >n) variable aléatoire T telle que la suite de terme général u n = P (T =n) admette comme limite x. 5
6 Exercice 7 Soit X une variable aléatoire réelle définie sur un espace probabilisé (Ω, B, P ) suivant une loi de Poisson P(λ). 1. Déterminer pour tout u réel, l espérance de la variable aléatoire e ux. 2. Pour tout ensemble A, on note 1 A la variable aléatoire définie par { 1 si x A 1 A (x) = 0 si x / A Soit u un réel positif et x ]0, 1[. (a) Montrer que : (b) En déduire que : 3. Étudier sur IR + la fonction : e u(x (1+x)λ) 1 {ω Ω X(ω) (1+x)λ} P (X (1 + x)λ) e [u(1+x)+1 eu ]λ ϕ x : u u(1 + x) + 1 e u Montrer que ϕ x est majorée sur IR + et que : En déduire que : sup ϕ x (u) = (1 + x) ln(1 + x) x = h(x) u IR + P (X (1 + x)λ) e λh(x) 4. (a) Montrer que pour tout u < 0 : (b) Montrer que : P (X (1 x)λ) e [u(1 x)+1 eu ]λ puis que : sup u IR u(1 x) + 1 e u = h( x) P (X (1 x)λ) e λh( x) 5. En déduire que : P ( X E(X) > λx) 2 max(e λh(x), e λh( x) ) 6
7 Exercice 8 Une urne contient n boules distinctes B 1,..., B n, avec n 2. Soit r un entier tel que 1 r < n. On effectue dans cette urne des tirages répétés d une boule avec remise. On note Y r la variable aléatoire représentant le nombre de tirages nécessaires pour obtenir au moins une fois les boules B 1,..., B r. 1. Déterminer la loi de Y 1, son espérance et sa variance. 2. Déterminer les valeurs prises par Y r. Calculer la probabilité P (Y r = r), puis la probabilité P (Y r = r + 1). Mettre en place le raisonnement permettant de déterminer la loi de Y r. 3. Pour tout i {1,..., r}, on note W i la variable aléatoire représentant le nombre de tirages nécessaires pour que pour la première fois, i boules distinctes parmi les boules B 1,..., B r soient sorties (ainsi W r = Y r.) Enfin, on pose X 1 = W 1 et pour i 2, X i = W i W i 1. (a) Déterminer la loi de X i ainsi que son espérance. (b) En déduire l espérance E(Y r ) de Y r. Déterminer un équivalent de E(Y r ). 7
8 Exercice 9 On considère une suite (X n ) n IN de variables aléatoires de Bernoulli définies sur l espace probabilisé (Ω, T, P ), mutuellement indépendantes et toutes de paramètre p ]0, 1[. On note q = 1 p. 1. Montrer que, pour tout k IN, l ensemble Z k = ( [X n = 0] ) ( [X n = 1] ) n k est un événement. Montrer que, pour tout k IN, l événement Z k est négligeable et interpréter ce résultat. 2. On considère la fonction L : Ω IN associant à toute éventualité appartenant à Z 1 la valeur 0 et à tout autre élément ω de Ω l unique entier n 1 tel que ω appartienne à [X n = X n 1 = = X 1 ] [X n+1 X 1 ]. Montrer que L est une variable aléatoire sur (Ω, T ). Quelle est la loi de L? Montrer que L admet un moment d ordre 2. En déduire que L admet une espérance et une variance (que l on ne calculera pas). 3. On définit de même la fonction M : Ω IN associant à ω Ω l unique entier m 1 (s il existe) tel que, si L a pris la valeur n, ω appartienne à [X n+1 = X n+2 = = X n+m ] [X n+m+1 X n+m ], et prenant la valeur 0 si cet entier m n existe pas. On admet que M est une variable aléatoire sur (Ω, T ) et que P ([M = 0]) = 0. Quelle est la loi de M? Montrer que M admet un moment d ordre 2 et trouver son espérance et sa variance. 4. Montrer que les lois de L et de M coïncident si et seulement si p = Déterminer l espérance de L et montrer que E(L) E(M) = 2. n k 8
9 Exercice 10 Une personne possède a jetons numérotés de 1 à a et joue à les lancer ensemble indéfiniment. On se propose de calculer le nombre moyen de jetons ayant amené au moins une fois pile au cours des k premiers lancers, k étant un entier naturel non nul. Pour i [1, a] et k IN, on note Ui k la variable aléatoire prenant la valeur 1 si le jeton numéro i amène un pile au k eme lancer et la valeur 0 sinon. On suppose que les variables aléatoires (Ui k ) 1 i a,1 k sont indépendantes et toutes de loi de Bernoulli de paramètre 1/2. Pour k IN, on note Y k le nombre de jetons ayant amené pile pour la première fois lors du k eme lancer et X k le nombre de jetons ayant amené au moins une fois pile au cours des k premiers lancers ; on note également A k l ensemble des éléments i de [1, a] tels que les variables aléatoires U 1 i, U 2 i,..., U k 1 i ont toutes pris la valeur 0, avec la convention A 1 = [1, a]. 1. Justifier que, pour tout k IN, X k = k j=1 Y j et Y k = i A k U k i. 2. Montrer que, pour tout k IN, card A k = a X k 1, en notant X 0 la variable aléatoire nulle. Montrer que, pour tout entier k 2 : a ( a E(Y k ) = P ([card Ak = j]) i P ([Y k = i]/[card A k = j]) ). j=0 i=0 En déduire que, pour tout k IN, E(X k ) = 1 2 (a + E(X k 1)). Exprimer, pour tout k IN, E(X k ) en fonction de k et de a. 3. Pour k IN et i [1, a], on note Zi k la variable aléatoire prenant la valeur 1 si le jeton numéro i a amené au moins une fois pile au cours des k premiers lancers, la valeur 0 sinon. Montrer que, pour tout k IN, X k = a Zi k. Montrer que, pour tout k IN, les variables aléatoires Z k 1, Z k 2,..., Z k a sont indépendantes. Trouver, pour tout i [1, a] et tout k IN, la loi de Z k i. 4. En déduire, pour tout k IN, la loi de la variable aléatoire X k. En déduire que, pour tout k IN, X k suit la loi binomiale de paramètre (a, 1 2 k ). Retrouver, pour tout k IN, l espérance de X k et calculer sa variance. i=1 9
10 Exercice 11 Une urne A contient des boules numérotées de 1 à m et une urne B contient des boules numérotées de 1 à n. On tire au hasard une boule dans chaque urne. On désigne par X (resp. Y ) la variable aléatoire indiquant le numéro de la boule tirée dans l urne A (resp. B). On pose Z = X Y. 1. Quelles sont les lois suivies par X et Y? 2. Exprimer, à l aide d une somme, l espérance E(Z) de la variable aléatoire Z. 3. On note IN l ensemble des entiers naturels. Si p est un nombre réel, on note p la partie entière de p. Soit l {1,..., n}, montrer que P(Z IN/Y = l) = 1 m m l Déterminer, à l aide d une somme, P (Z IN). 4. Soit N IN, montrer que ln(n + 1) < N p=1 En déduire un encadrement de P (Z IN). 1 p < 1 + ln(n). 5. (a) L entier m étant fixé, trouver un équivalent de E(Z) lorsque n tend vers l infini. (b) Soit p IN un entier fixé. On suppose dans cette question que n = pm ; donner un équivalent de P (Z IN) lorsque m tend vers l infini. (c) Soit q IN un entier fixé. On suppose dans cette question que m = qn ; donner un équivalent de P (Z IN) lorsque n tend vers l infini. 10
11 Exercice 12 Un immeuble équipé d un ascenseur comporte m étages, n personnes montent dans l ascenseur au rez-de-chaussée et descendent aléatoirement à l un des m étages. On appelle X la variable aléatoire indiquant le nombre d arrêts de l ascenseur. 1. Calculer E(X) sans passer par la loi de X. On pourra utiliser les variables aléatoires de Bernoulli, X i,j valant 1 si le j eme passager descend au i eme étage et X i valant 1 si l ascenseur s arrête au i eme étage. 2. On note S n,k le nombre de surjections d un ensemble à n éléments dans une ensemble à k éléments. Montrer que pour n k 2, S n,k = k(s n 1,k + S n 1,k 1 ). En déduire que S n+1,n = n (n + 1)! Déterminer la loi de X. 4. On suppose que n = m + 1, calculer P (X = m). 11
12 Exercice 13 Soit X une variable aléatoire à valeurs dans IN. Pour tout n IN, on pose p n = P (X = n). On appelle fonction génératrice de X la fonction de la variable réelle t définie par : G X (t) = E(t X ) = + n=0 p n t n 1. (a) Montrer que G X (t) est défini pour tout t [0, 1]. (b) Soit r IN. On admet que si la série dérivée terme à terme r fois (c est à dire la série n(n 1) (n r + 1)p n t n r ) converge en un point t [0, 1], alors on a : + n=r n(n 1) (n r + 1)p n t n r = (G X ) (r) (t) où G (r) X désigne la dérivée d ordre r de G X. Montrer que X admet une espérance si et seulement si la série dérivée terme à terme une fois converge en t = (a) Déterminer la fonction génératrice d une variable aléatoire suivant une loi géométrique de paramètre p ]0, 1[. Retrouver son espérance à l aide de la question précédente. (b) En déduire pour r IN et x [0, 1[ la valeur de + ) x k r. 3. On suppose que X et Y sont deux variables aléatoires indépendantes à valeurs dans IN. Exprimer G X+Y en fonction de G X et G Y. 4. On considère une succession de lancers indépendants d une pièce pouvant amener Pile avec la probabilité p ]0, 1[ et Face avec la probabilité q = 1 p. On pose T 0 = 0 et pour tout r IN, on appelle T r la variable aléatoire représentant le nombre de lancers nécessaires pour amener r fois Pile. On pose enfin Z r = T r T r 1. (a) Déterminer la loi de Z r. (b) En déduire la fonction génératrice de T r. 12 k=r ( k r
13 (c) On admet que : [ ( t [0, 1]) + ] a k t k = 0 = [( k IN) a k = 0] Déterminer la loi de T r. Calculer son espérance de deux façons différentes. 13
14 Exercice Soit (u n ) n 0 une suite à valeurs dans l intervalle [0, 1[. Pour tout n IN, on pose : n q n = (1 u k ) = (1 u 0 )(1 u 1 ) (1 u n ) On dira que le produit (1 u k ) est convergent si la suite (q n ) admet une limite l > 0. On notera alors l = + (1 u k ). (a) Étudier la convergence et calculer éventuellement la limite des produits suivants : p n = n (1 1 k + 2 ), q n = n (1 1 (k + 2) 2 ) (b) On revient maintenant au cas général. Montrer que si le produit q n = n (1 u k ) converge, alors lim u k = 0. k + (c) En déduire que le produit (q n ) converge si et seulement si la série uk converge. 2. Soit X une variable aléatoire à valeurs dans IN telle que pour tout n IN, on ait P (X n) > 0. On appelle taux de panne associé, la suite réelle (x n ) définie pour tout n IN par : x n = P (X = n X n) (a) Exprimer P (X n) en fonction des x k et en déduire p n = P (X = n). (b) Déterminer les lois des variables aléatoires à valeurs dans IN ayant un taux de panne constant sur IN. (c) Montrer qu une suite (x k ) k 0 est un taux de panne si et seulement si 0 x k < 1, pour tout k IN et la série x k diverge. 14
15 solutions Exercice On peut modéliser le problème en disant que l on range les n boules au hasard (il y a n! façons de faire, toutes équiprobables) et X 1 = k est réalisé si la boule de plus grand numéro est à la k eme place (ce qui peut se faire de (n 1)! façons). Ainsi X 1 suit la loi U([1, n]) et E(X 1 ) = n+1 2, V (X 1) = n X 2 (Ω) = [0, n 1], et : si X 1 = j, avec j n, est réalisé, il reste n j boules dans l urne et le plus grand numéro restant sera tiré avec équiprobabilité à chacun des n j rangs possibles; si on réalise X 1 = n, alors l urne est vide et X 2 prend la valeur 0. Bref : pour 1 j < n, P (X 2 = k/x 1 = j) = 1 et 0 sinon; n j pour 1 k n j P (X 2 = j/x 1 = n) = 0 si j 0 et P (X 2 = 0/X 1 = n) = 1. On utilise alors la formule des probabilités totales, appliquée au système complet (X 1 = j) 1 j n : k [1, n 1], P (X 2 = k) = k/x 1 = j)p (X 1 = j) j)p (X 1 = j) 0) = P (X 1 = n) = 1 n. 3. E(X 2 ) = n 1 k 1 n 1 n j=k 1 j = 1 n = 1 n k 1 n n j j=1 n 1 ( 1 j j j=1 k=1 = 1 2n ( n(n 1) 2 + n 1) = n n. k) = 1 n = 1 n 1 n j=k n 1 j=1 j+1 2 n j=1 P (X 2 = = n k P (X 2 = k/x 1 = j=1 1 tandis que P (X j 2 = Exercice Pour n > N, P (U = n) = 0 et P (U 1) = 1, Si 2 n N, P (U n) = n) (N (en effet, il existe ( ) N N n n n-uplets de nombres compris entre 1 et N formant une suite strictement croissante). Donc ( N n) ( n+1) N si n N 1 P (U = n) = N n N n+1 si n = N 1 N N 15
16 Le calcul de l espérance de U se fait de la manière suivante : E(U) = N n=1 n(p (U n) P (U (n + 1))) = N np (U n) N np (U (n + 1)) n=1 n=1 = N np (U n) N (n 1)P (U n) = (1 + 1 N )N 1 n=1 n=2 2. Si q < p, le résultat à démontrer est évident; q si q p, 0 ( ) p q (( ) ( )) ( ) k = p+1 k+1 p k+1 = p+1 k+1. k=p 3. Il est évident que P (T > N + 1) = 0. Montrons ( par récurrence sur n n j) que pour tout j : P (X X n j) = En effet : k)p (X n+1 = k) Exercice 17 solution N n P (X X n+1 j) = N P (X X n j = 1 j n N k=1 = 1 j n N n+1 k=1 k=1 P (X X n j k) ( ) ( ) n j k = 1 n+1 N n+1 j. 1. Pour tout k [1, n], on a P (A k ) = 1. Si X est la variable aléatoire 2 représentant le nombre de Piles obtenus au cours des n lancers, X suit la loi binomiale B(n, 1/2) et : n/2 P (A n+1 ) = P ( (X = 2k)) = n/2 ( ) n ( 1 2k 2 )n = ( 1 2 )n 2n 2 = 1 2 (il suffit de développer (1 + 1) n et (1 1) n par la formule du binôme de Newton... ) 2. (a) On a évidemment : P (A n+1 /A 1... A n ) = 16 { 1 si n est pair 0 si n est impair
17 (b) Donc :... A n ) P (A 1... A n A n+1 ) = P (A n+1 /A 1... A n )P (A 1 = { 1 2 n si n est pair 0 si n est impair Tandis que P (A 1 )P (A 2 )... P (A n+1 ) = 1 2 n+1. Les événements A 1, A 2,..., A n+1 ne sonr donc jamais mutuellement indépendants. 3. si l on choisit les événements parmi (A 1,..., A n ), c est clair. sinon, on peut supposer que les événements choisis sont (A 2, A 3,..., A n, A n+1 ). Ils sont mutuellement indépendants si et seulement si, pour tout m [1, n 1], pour tout (i 1,..., i m ) [2, n] m P (A i1 A i2 A im A n+1 ) = P (A i1 )P (A i2 )... P (A im )P (A n+1 ). Or : P (A i1 )P (A i2 )... P (A im )P (A n+1 ) = 1 ; et 2 m+1 P (A i1 A i2 A im A n+1 ) = P (A n+1 /A i1 A i2 A im )P (A i1 A i2 A im ) = m En effet, si l événement A i1 A i2 A im est réalisé, on a obtenu m Piles en n lancers, si m = 2p, on a obtenu un nombre pair de Piles sur les (n m 1) autres lancers et P (A n+1 /A i1 A i2 A im ) = 1 ( ( ) ( ) n m 1 2 n m n m ) = 2 n m 2 ; 2 n m 1 si m = 2p + 1, on a obtenu un nombre impair de Piles sur les (n m 1) autres lancers et P (A n+1 /A i1 A i2 A im ) = 1 ( ( ) ( ) n m 1 2 n m n m ) = 2 n m 2. 2 n m 1 Ce qui donne la conclusion. Exercice Soit n IN. P (X > i)) n ip (X = i) = n i=0 i=0 = n ip (X > i 1) n ip (X > i) i=1 i=0 = n 1 i=0 (i + 1)P (X > i) n ip (X > i) i=0 = n 1 P (X > i) np (X > n) i=0 17 i(p (X > i 1)
18 2. On peut écrire : P (A n+1 ) = P (A n+1 /A n )P (A n ) = na+b na+2b P (A n). En effet, les n premiers tirages ont donné une boule blanche correspond à une remise de a boules blanches après chaque tirage. Montrons par récurrence sur n, que pour tout n 1 P (A n ) C est vérifié pour P (A 1 ) = b b, car b a. 2b a+b Supposons que la relation est vérifié pour n. Alors, car b a, P (A n+1 ) = na+b na+2b P (A n) na+b b = na+2b na+b b na+2b b. (n+1)a+b b. na+b 3. L événement B = la boule noire n a jamais été tirée correspond à B = + A n n=1 Or la suite (A n ) n est une suite décroissante. Donc P (B) = P ( + P (A n )) = lim P (A n) = 0. n + car 0 P (A n ) de probabilité 1. b na+b n=1 La variable aléatoire X est ainsi définie sur B On a A k = (X > k). En effet, si le rang d apparition de la première boule noire est strictement supérieur à k, cela signifie que les k premiers tirages ont donné une boule blanche. Réciproquement, si l on n a tiré que des boules blanches lors des k premiers tirages, le rang d apparition de la première boule noire sera supérieur ou égal à k On a évidemment : P (A n ) = n 1 b+ka. 2b+ka a) Si a = b, P (A n ) = 1, et d après la première question, E(X) n+1 existe si et seulement si la série P (X > k) = P (A k ) converge. Ici E(X) n existe pas. 6 b) si b = 2a, il vient P (A n ) =. L espérance E(X) existe (n+2)(n+3) et, comme lim np (A n) = 0, il vient : n + E(X) = + P (X > n). On peut écrire: 6 N n=0 n=0 = 6 6 (n+2)(n+3) n+2 P (X > n) = 6( N n=0 n+3, donc : 1 N 1 ) = 6( 1 1 ). n+2 n+3 2 N+3 n=0 18
19 Finalement E(X) = 3. Exercice On lance les n pièces ensemble. Chaque pièce a la probabilité p d amener Pile, X suit donc la loi binomiale B(n, p). 2. On a Y (Ω) = [0, k ]. En utilisant le système complet d événements (X = i) 0 i n, on peut écrire, pour tout j [0, k ] : P (Y = j) = n i=0 P (Y = j/x = Or si l événement (Y = j) est réalisé, on a j i et k j Faces ont été choisis, donc il y a eu n (k j) Pile au maximum. Ainsi : P (Y = j) = n k+j P (Y = j/x ( )( ) i=j i n i j k j Or P (Y = j/x = i) = ) et P (X = i) = ( ) n p i q n i. Donc : P (Y = j) = n k+j i=j P (Y = j) = ( ) k j p j q ( n ( )( k ) i n i j k j ( ) n ( n i k n k+j k j ( n k i j i=j ) p i q n i ) p i j q n k (i j) = ( k j i ) p j q k j Ainsi Y suit la loi binomiale B(k, p). 3. a) La variable aléatoire Z suit la loi binomiale B(k, p) (comme somme de variables aléatoires de Bernoulli mutuellement indépendantes et de même paramètre). Ainsi Y et Z suivent la même loi ; ceci n est pas étonnant car il n y a aucune différence entre d une part, choisir k pièces après les avoir lancées, et sélectionner k pièces parmi n et les lancer pour observer le nombre de Piles apparus, d autre part. b) Par le même raisonnement W suit la loi binomiale B(n k, p). 19
Coefficients 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en 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 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 détailProbabilités. Une urne contient 3 billes vertes et 5 billes rouges toutes indiscernables au toucher.
Lycée Jean Bart PCSI Année 2013-2014 17 février 2014 Probabilités Probabilités basiques Exercice 1. Vous savez bien qu un octet est une suite de huit chiffres pris dans l ensemble {0; 1}. Par exemple 01001110
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 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 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 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 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 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 détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en 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 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 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 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 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 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 détailExercice 3 (5 points) A(x) = 1-e -0039' -0 156e- 0,039x A '() -'-,..--,-,--,------:-- X = (l_e-0,039x)2
Les parties A et B sont indépendantes. Partie A Exercice 3 (5 points) Commun à tous les candidats On considère la fonction A définie sur l'intervalle [1 ; + 00 [ par A(x) = 1-e -0039' ' x 1. Calculer la
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 détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en 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 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 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 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 détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en 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 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 détailExercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument
Formes algébriques et trigonométriques, module et argument Exercice - - L/Math Sup - On multiplie le dénominateur par sa quantité conjuguée, et on obtient : Z = 4 i 3 + i 3 i 3 = 4 i 3 + 3 = + i 3. Pour
Plus en détailINTRODUCTION. 1 k 2. k=1
Capes externe de mathématiques : session 7 Première composition INTRODUCTION L objet du problème est l étude de la suite (s n n définie par : n, s n = Dans une première partie, nous nous attacherons à
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 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 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 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 détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
Plus en 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 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 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 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 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 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 détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en 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 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 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 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 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 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 détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en 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 détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en 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 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 détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
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 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailPROBABILITÉS: 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 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 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 détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en 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 détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
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 détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en 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 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 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 détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
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 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 détail