J.F.C. p. 1. Q1 On dit que Z suit une loi exponentielle bilatérale si une densité de Z est f, définie sur R par :
|
|
- Ange Coutu
- il y a 7 ans
- Total affichages :
Transcription
1 6-- 4 JFC p Eercice EDHEC 998 E 3 Q On dit que Z suit une loi eponentielle bilatérale si une densité de Z est f, définie sur R par : f) = e a) Vérifier que f est bien une densité de probabilité b) Déterminer la fonction de répartition de Z c) Soient Z et Z deu variables aléatoires indépendantes suivant la loi eponentielle bilatérale, déterminer une densité de V = Z + Z Q Dans cette question, X et Y sont deu variables indépendantes suivant toutes les deu la loi eponentielle de paramètre et on pose Z = X Y a) Déterminer la fonction de répartition, puis une densité de Y b) Déterminer une densité de Z et vérifier que Z suit la loi eponentielle bilatérale c) Déterminer l espérance de Z d) On pose T = Z Déterminer la fonction de répartition de T et vérifier que T suit une loi eponentielle dont on donnera le paramètre Q Il faut sans doute comprendre que dans cette question Z est une variable aléatoire à densité de densité f Notons aussi que le Z de Q n est pas celui de Q a) f est continue et positive sur R e t dt converge et vaut Γ) donc )! soit encore Alors Ainsi donc Alors ft) dt converge et vaut Comme f est paire sur R, e t dt converge et vaut ft) dt converge et vaut ft) dt converge et vaut Ceci achève de montrer que : f est une densité de probabilité ft) dt b) Notons F Z la fonction de répartition de Z Soit un élément de ], ] F Z ) = F Z ) = ) lim e t dt = A A ft) dt = [ lim e t ] = A A e t dt = lim e e A) = A e e t dt
2 JFC p Notons que F Z ) = Soit un élément de [, + [ F Z ) = ft) dt = ft) dt + ft) dt = F Z ) + e t dt F Z ) = + [ e t ] = + e + ) = e e si ], [ La fonction de répartition de Z est la fonction F Z définie par : R, e si [, + [ c) Z et Z sont deu variables aléatoires à densité indépendantes f est une densité de Z et de Z R, f) = e donc f est bornée sur R Le cours permet alors de dire que : V = Z + Z est une variable aléatoire à densité De plus h : f t) ft) dt est une densité de V = Z + Z définie sur R t R, ft) = e t donc R, h) = 4 e t t dt Pour simplifier la détermination de h montrons que cette fonction est paire sur R Soit dans R est encore dans R! t t définit une bijection strictement décroissante de R sur R, de classe C sur R Ceci justifie le changement de variable u = t dans ce qui suit h ) = 4 h ) = 4 e t t dt = 4 + e +u u ) du = 4 e +u u du e u u du = h) Ce qui achève de montrer que h est paire sur R Soit dans [, + [ t) t) si t ], ] e t si t ], ] t R, t t = t) t si t [, ] t R, e t t = e si t [, ] t ) t si t [, + [ e t+ si t [, + [ Alors h) = 4 e t t dt = 4 e t dt + 4 h) = 4 e e t dt + 4 e + 4 e e t dt e dt + 4 e t+ dt
3 Or Et e t dt = e t dt = lim A A lim A + e t dt = A lim A e t dt = [ e t lim A + ] A [ e t = lim A ] A e A)) = = lim e e A)) = A + e ) + e Alors h) = 4 e + 4 e + 4 e e = 8 e + 4 e + 8 e = 4 Ainsi [, + [, h) = ) + e = ) + e Soit un élément de ], [ 4 4 Comme h est paire sur R et que est positif : h) = h ) = 4 JFC p 3 ) + e = ) + e 4 La fonction h définie par : R, h) = 4 + ) e, est une densité de V = Z + Z Q a) Notons F Y resp F Y ) la fonction de répartition de Y resp Y ) { e si [, + [ R, F Y ) = sinon R, F Y ) = P Y ) = P Y ) = P Y < ) = P Y ) { e )) { si [, + [ e si ], ] R, F Y ) = = sinon sinon { e si La fonction de répartition de Y est la fonction F Y définie par : R, F Y ) = sinon Remarquons que l on a encore : R, F Y ) = { e si ], ] si [, + [ e et sont de classe C sur R Alors F Y est de classe C sur ], ] et sur [, + [ Cela suffit pour dire que F Y de points Ainsi : est continue sur R et de classe C sur R donc sur R privé d un ensemble fini Y est une variable aléatoire à densité ], [, F Y ) = e et ], + [, F Y ) = { e si ], ] Posons R, g) = sinon g est une fonction positive sur R qui coïncide avec F Y sur R donc sur R privé d un ensemble fini de points Ainsi g est une densité de Y { e si ], ] La fonction g définie par R, g) = est une densité de Y sinon
4 JFC p 4 { e t si t [, + [ b) Posons t R, φt) = sinon paramètre φ est une densité de X car X suit la loi eponentielle de X et Y sont deu variables aléatoires à densité indépendantes car X et Y sont indépendantes) φ est une densité de X et g est une densité de Y t R, φt) donc φ est bornée sur R Le cours permet alors de dire que X + Y ) est une variable aléatoire à densité De plus ψ : R, ψ) = [, + [, ψ) = ], [, ψ) = X Y est une variable aléatoire à densité φ t) gt) dt est une densité de X Y définie sur R f t) e t dt e t) e t dt = e e t) e t dt = e Min,) R, ψ) = e e t dt Soit dans R Min,) lim A A Min,) Donc e t dt = lim A [ e t ] Min,) A e t dt e t dt Remarquons alors que : = lim e Min,) e A)) = A e Min,) e t dt = e Min,) Alors ψ) = e e Min,) = e Min,) Si est positif Min, ) = = = et si est négatif Min, ) = = = Alors ψ) = e et ceci pour tout réel Notons que ψ = f f est une densité de Z donc Z suit la loi eponentielle bilatéral c) X et Y suivent la loi eponentielle de paramètre donc X et Y possèdent une espérance dont la valeur est Alors Z possède une espérance et EZ) = EX) EY ) = = par linéarité de l espérance) Z possède une espérance qui vaut d) Notons F T la fonction de répartition de T ], [, F T ) = P T ) = P Z ) = [, + [, F T ) = P T ) = P Z ) = P Z ) = ψt) dt = e t dt
5 JFC p 5 [, + [, F T ) = e t dt = e t dt = [ e t] = e La fonction de répartition de T est la fonction F T définie par : R, { e si [, + [ sinon Pas de doute : T suit la loi eponentielle de paramètre
6 JFC p 6 Eercice EDHEC E Q La durée de vie d un composant électronique est une variable aléatoire X de densité f continue et strictement positive sur R +, et nulle sur R On note F la fonction de répartition de X a) On désigne par t et h deu réels strictement positifs Eprimer, à l aide de la fonction F, la probabilité pt, h) que le composant tombe en panne avant l instant t + h sachant qu il fonctionnait encore à l instant t b) Établir que, lorsque h est au voisinage de +, pt, h) ft) F t) h On pose désormais, pour tout réel positif t : λ X t) = ft) F t) On a bien sûr λ Xt) La fonction positive λ X est appelée tau de panne du composant ou tau de panne de X Q Soit X une variable aléatoire qui possède une densité continue et strictement positive sur R +, nulle sur R et de tau de panne λ X a) Pour tout réel strictement positif t, calculer t λ X u) du puis montrer que la seule connaissance de la fonction tau de panne λ X permet de déterminer la fonction de répartition F de X b) Déduire de la question précédente que les variables suivant des lois eponentielles possèdent un tau de panne constant et qu elles sont les seules dans ce cas Q3 La durée de vie en années) d un appareil est une variable aléatoire X dont le tau de panne est la fonction λ X définie par λ X t) = t 3 a) Quelle est la probabilité que cet appareil survive plus d un an? b) Quelle est la probabilité que cet appareil, âgé de an, survive plus de ans? ) Dans cette question nous supposerons f continue sur R + a Notons d abord que F est continue sur R +, dérivable sur R + f est continue sur R + ) et, pour tout élément t de R +, F t) = ft) > Ceci suffit pour dire que F est strictement croissante sur R + non?) F est strictement croissante sur R + et lim t + F t) = donc : t R+, F t) < Par conséquent t R +, < F t) Ceci donne encore : t R +, px > t) = F t) Soient t et h deu éléments de R + pt, h) = px < t + h/x > t) = p {X < t + h} {X > t} ) t R +, h R +, pt, h) = px > t) F t + h) F t) F t) = pt < X < t + h) px > t) = F t + h) F t) F t)
7 b Soit t un élément de R + F est dérivable en t et F t) = ft) F t + h) F t) F t + h) F t) Alors lim = ft) Comme ft) n est pas nulle), h h h ft) h En particulier : Ainsi : pt, h) = F t + h) F t) h F t + h) F t) F t) ft) h + = F t + h) F t) h Pour tout réel t strictement positif : pt, h) h + JFC p 7 F t) h ft) h + F t) h = ft) F t) h ft) F t) h ) Ici nous supposerons encore) que X possède une densité f continue et strictement positive sur R +, nulle sur ], ] Comme dans la question précédente nous avons encore : t R +, F t) > a Notons alors que λ X est définie sur [, + [ et continue au moins sur ], + [ Soit t et ε deu réels strictement positifs t ε t ε λ X u) du = t ε fu) F u) du = t λ X u) du = ln F t)) + ln F ε)) F est continue en donc lim F ε) = F ) = ε + Alors lim ε + t ε λ X u) du = ln F t) ) Pour tout élément t de R +, t ε F u) [ F u) du = ln F u) ] t ε = ln F t) + ln F ε) ft) dt = Donc lim ε + ln F ε) ) = ln = λ X u) du eiste et vaut ln F t) ) Nous savons déjà que F X est nulle sur ], ] puisque f est nulle sur ce même ensemble Soit t un réel strictement positif Ainsi t ], ], F t) = et t R +, F t) = e t t λ X u) du = ln F t) ) donc F t) = e t λ X u) du λ X u) du La seule connaissance de la fonction de tau de panne λ X permet de déterminer la fonction de répartition F de X b Soit Y une variable aléatoire qui suit une loi eponentielle de paramètre α Posons : t ], ], f Y t) = et t ], + [, f Y t) = αe αt f Y est une densité de Y Notons que f Y est continue et strictement positive sur R + et nulle sur ], ] Soit F Y la fonction de répartition de Y t R +, F Y t) = e αt Alors t R +, λ X t) = ft) F t) = αe αt e αt ) = α
8 JFC p 8 Le tau de panne λ Y de Y est donc constant sur R + Réciproquement, reprenons la variable aléatoire X du début et supposons que son tau de panne λ X est constant sur R + Il eiste donc un réel c tel que : t R +, λ X t) = c Rappelons que F est nulle sur ], ] et que t R +, F t) = e t Alors t R +, F t) = e t Comme c du = e ct λ X u) du lim F t) =, nécessairement lim t + t + e ct = et donc c est strictement positif c est strictement positif, t ], ], F t) = et t R +, F t) = e ct eponentielle de paramètre c Concluons Donc X suit une loi Si X est une variable aléatoire admettant une densité f strictement positive et continue sur R + et nulle sur ], ] : son tau de panne λ X est constant sur R + si et seulement si X suit une loi eponentielle 3) t ], ], F t) = et t R +, F t) = e t a px > ) = px ) = F ) = e /4 u3 du = e t4 /4 La probabilité pour que cet appareil survive plus d un an est e /4 b px > /X > ) = p {X > } {X > } ) = px > ) px ) = e 4 /4 px > ) px ) = px > ) e /4 = e 5/4 La probabilité pour que cet appareil agé de un an, survive plus de deu ans est e 5/4
9 JFC p 9 Eercice 3 EDHEC E 3 On considère deu variables aléatoires X et X de densités respectives f et f strictement positives et dérivables sur R On suppose qu il eiste une fonction g, définie et dérivable sur R +, telle que : y) R, f )f y) = g + y ) Q On suppose, dans cette question seulement, que X, et X suivent toutes les deu la loi normale N, ) Montrer que : R +, g) = π e Q a) Montrer que : R, y R, f ) f ) = g + y ) g + y ) b) On note h la fonction définie sur R par h) = f ) f ) Soient, et deu réels distincts et non nuls Montrer que h ) = h ) et en déduire que h est une fonction constante sur R On note a cette constante c) Soit k la fonction définie pour tout réel par k) = f )e a Montrer que k est constante sur ], + [ ainsi que sur ], [ En déduire que k est constante sur R, puis montrer qu il eiste un réel K tel que : R, f ) = K e a d) Utiliser le fait que f est une densité de probabilité pour montrer que a est strictement négatif On pose dorénavant σ = a e) En déduire que X suit la loi normale N, σ ) Q3 On admet que l on peut montrer de la même façon qu il eiste un réel σ strictement positif tel que X suive la loi normale N, σ ) Montrer, en revenant à la définition de g et en calculant g) de deu façons, que σ = σ, c est-à-dire que X et X suivent toutes les deu la même loi normale ) π e est une densité de X resp X ) strictement positive et dérivable sur R Mieu c est l unique densité strictement positive et dérivable sur R de X resp X )
10 JFC p Alors : R, f ) = f ) = π e Ainsi, y) R, g + y ) = f ) f y) = π e π e y = Soit un élément de R + Posons t = ) a, y) R, f ) f y) = g + y ) +y π e = t + t donc g) = gt + t ) = t +t π e = π e R +, g) = π e En dérivant par rapport à on obtient :, y) R, f ) f y) = g + y ) Alors, y) R, g + y ) g + y ) = f ) f y) f ) f y) = f ) f ) Ainsi : R, y R, f ) f ) = g + y ) g + y ) b Soient et deu réels distincts) non nuls h ) = f ) f ) = g + ) g + ) = g + ) g + ) = f ) f ) = h ), ) R ), h ) = h ) h est constante sur R c f et e a sont dérivables sur R donc, par produit, k est dérivable sur R R, k ) = f ) e a a f ) e a = f ) a f )) e a Rappelons que R, h) = f ) f ) = a Donc R, f ) = a f ) ou R, f ) a f ) = Alors R, k ) = Ainsi k est nulle sur les intervalles ], [ et ], + [ k est constante sur chacun de ces intervalles k est constante sur R + et sur R Il eiste alors deu réels K et K tels que : ], [, k) = K et ], + [, k) = K Par définition, k est continue sur R donc en Alors K = lim k) = k) = lim k) = K + Donc K = k) = K Alors R, k) = K k est constante sur R R, f ) e a = k) = K Alors R, f ) = K e a Il eiste un réel K tel que R, f ) = K e a
11 d f est une densité de probabilité strictement positive sur R donc K est strictement positif Alors e at dt converge puisque f t) dt converge En particulier Supposons que a est positif ou nul t [, + [, e at = t La convergence de dt ce que réprouve la morale Rieman- t nienne e at dt donne alors la convergence e at dt converge JFC p a est strictement négatif e σ = Alors : = a Or donc : R, f ) = K e σ De plus f est une densité de probabilité π σ e σ paramètres et σ Ainsi Par conséquent K = f t) dt = K e t σ dt = K π σ e t π σ est une densité de probabilité d une variable aléatoire qui suit une loi normale de e t σ dt = Il vient alors : = K π σ = K π σ π σ π σ et R, f ) = e π σ σ σ dt X suit une loi normale de paramètres et σ 3) De même on peut trouver un réel σ strictement positif tel que R, f ) = X suit une loi normale de paramètres et σ, y) R, f ) f y) = g + y ) Ainsi f ) f ) = g) = f ) f ) Alors π σ e σ π σ = Ce qui donne e σ = e σ, puis e σ π σ π σ σ = σ Enfin σ = σ et : σ = σ car ces deu réels sont strictement positifs e π σ σ et ainsi X et X suivent toutes les deu la même loi normale
12 JFC p Eercice 4 EDHEC 4 E 3 On considère deu variables aléatoires X et Y, définies toutes les deu sur le même espace probabilisé Ω, A, P ), indépendantes et suivant la loi uniforme sur [, ] On pose Z = X + Y Q a) Déterminer une densité de Z b) Montrer que, pour tout de ], [, les événements Z > ) et < Z + ) sont indépendants Q a) On pose T = MaX, Y ) On admet que T est une variable aléatoire définie elle aussi sur l espace probabilisé Ω, A, P ) a) Montrer que T est une variable à densité puis donner une densité de T b) En déduire que T possède une espérance ET ) et la déterminer c) On pose U = X Y et on admet que U est une variable aléatoire définie elle aussi sur l espace probabilisé Ω, A, P ) Montrer que U est combinaison linéaire de Z et T, puis en déduire l espérance de U { si [, ] ) a Posons : R, f) = f est une densité de X et de Y sinon X et Y sont deu variables aléatoires à densité indépendantes de densité f Alors Z = X + Y est une variable aléatoire à densité admettant pour densité la fonction h définie par : Soit un réel Par définition de f, h) = R, h) = f t) dt Le changement de variable u = t donne alors h) = ft) f t) dt fu) du = Si est élément de ], [, [, ] est contenu dans ], [ et h) = Si est élément de ], + [, [, ] est contenu dans ], + [ et h) = Si est élément de [, [ alors < < et h) = Si est élément de [, ] alors et h) = si [, [ La fonction h définie par : R, h) = si [, ] sinon du = fu) du du = du = du = ) = est une densité de Z = X + Y
13 b Soit un élément de ], [ Notons que < < < + < [ ] t) P Z > ) = ht) dt = t) dt = = + + [ t P < Z + ) = ht) dt = t dt + t) dt = P < Z + ) = ) ) + = ) P {Z > } { < Z +} ) + [ t) = P < Z +) = t) dt = Alors P {Z > } { < Z + } ) = ] [ t) + ] + JFC p 3 ] + = ) ) = P Z > ) P < Z + ) Les événements {Z > } et { < X + } sont indépendants ) a Cherchons la fonction de répartition F T de T = MaX, Y ) Notons F X et F Y les fonctions de répartition de X et Y si ], [ Rappelons que : R, F X ) = F Y ) = si [, ] si ], + [ Soit un réel F T ) = P T ) = P MaX, Y ) ) = P {X } {Y } ) ) Les variables X et Y étant indépendantes il vient : F T ) = P X ) P Y ) = F X ) F Y ) = F X ) ) si ], [ Alors R, F T ) = si [, ] si ], + [ Comme F T ) = on a ], ], F T ) = et ainsi F T est de classe C sur ], ] Comme F T ) = on a [, + [, F T ) = et ainsi F T est de classe C sur [, + [ De plus [, ], F T ) = donc F T est de classe C sur [, ] Ce qui précède permet alors de dire que F T est continue sur R et de classe C au moins sur R {, } Par conséquent : T est une variable aléatoire à densité { si [, ] ], [ ], + [, F T ) = et ], [, F T ) = Posons R, f T ) = sinon f T est une application positive de R dans R qui coïncide avec F T sur R privé d un ensemble fini de points donc f T est une densité de probabilité de T { si [, ] La fonction f T définie par R, f T ) = est une densité de probabilité de T sinon
14 b Comme f T est nulle sur ], [, t t f T est continue sur [, ] donc Finalement t f T t) dt converge et vaut Alors T possède une espérance qui est égale à c Soient a et b deu réels t f T t) dt eiste et vaut Il en est de même pour t f T t) dt eiste Supposons a b Maa, b) = b et a b = b a t f T t) dt t f T t) dt De plus T possède une espérance qui vaut 3 t f T t) dt = Donc Maa, b) = b = a + b + b a) = a + b + a b a b = Maa, b) a + b) On montre de la même manière cette dernière égalité lorsque a > b Ainsi a, b) R, a b = Maa, b) a + b) Remarque On observera et on retiendra que a, b) R, Maa, b) = ) a + b a b De même : a, b) R, Mina, b) = En appliquant ce qui précède on obtient : ω Ω, Uω) = Xω) Y ω) = Ma Xω), Y ω) ) Xω) + Y ω)) = Alors ω Ω, Uω) = T Z ) ω) et ainsi : U = T Z JFC p 4 [ t t 3 dt = 3 ) a + b + a b t f T t) dt ] = 3 ) MaX, Y ) X + Y ) ω) Z = X + Y X et Y possèdent une espérance qui vaut Alors Z possède une espérance qui vaut Rappelons que ET ) eiste et vaut 3 Alors U = T Z possède une espérance égale à c est à dire 3 3 L espérance de U eiste et vaut 3
15 JFC p 5 Eercice 5 EDHEC 5 E Pour tout réel, on note Ent ) la partie entière de et on rappelle que Ent ) est le seul entier vérifiant : Ent ) < Ent ) + On considère une variable aléatoire X définie sur un espace probabilisé Ω, A, P ) et qui suit la loi eponentielle de paramètre λ avec λ > ) On note F sa fonction de répartition On pose X = Ent X), X = Ent X X )) et l on admet que X et X sont des variables aléatoires définies elles aussi sur Ω, A, P ) Q a) Déterminer X Ω) b) Pour tout k de X Ω), eprimer P X = k) à l aide de F c) En déduire que X + suit une loi géométrique dont on donnera le paramètre d) Déterminer EX ) en fonction de λ Q a) Déterminer X Ω) et dire ce que représente X b) Justifier que, pour tout k élément de [[, 9]], P X = k) = que : k [[, 9], P X = k) = En déduire que : Q3 + i= F i + k + ) F i + ) k ) k [[, 9]], P X = k) = e λk e λ e λ Montrer que X et X sont indépendantes + i= P {X = i} {X = k} ), puis montrer ) a)) XΩ) = [, + [ donc X Ω) = X Ω) = N X Ω) = N b) Soit k un élément de N P X = k) = P X = k) = P k X < k + ) Or X est une variable aléatoire à densité donc P k X < k + ) = P k < X k + ) Ainsi P X = k) = P k < X k + ) = F k + ) F k) k N, P X = k) = F k + ) F k) { λ e λ si [, + [ c) X admet pour densité la fonction f définie par : R, f) = Ainsi : sinon
16 k N, P X = k) = F k+) F k) = k+ k λ e λ t dt = [ e λ t] k+ k JFC p 6 = e λ k e λ k+) = e λ ) e λ k k N, P X = k) = e λ ) e λ k Posons Y = X + Y Ω) = N et k N, P Y = k) = P X = k ) = e λ ) e λ k ) = e λ ) e λ) k Posons p = e λ p ], [ car λ est strictement positif De plus p = e λ Alors : k N, P Y = k) = p p) k Ceci achève alors de montrer que Y suit une loi géométrique de paramètre p = e λ Ainsi : X + suit une loi géométrique de paramètre e λ d) Y = X + suit une loi géométrique de paramètre e λ donc possède une espérance qui vaut Alors X = Y possède une espérance qui vaut X possède une espérance qui vaut : e λ ou e λ e λ ou encore e λ e λ e λ ou e λ ) a) X X = X X et XΩ) = [, + [ donc X X )Ω) = [, [ Alors Ainsi X X ) Ω) = {,, 9} Finalement : e λ ) X X ) Ω) = [, [ X Ω) = {,, 9} Soit ω un élément de Ω Xω) est un réel positif X X )ω) est, pour simplifier, sa partie décimale X X )ω) est di fois la partie décimale de Xω) Alors la partie entière de X X )ω) est la première décimale de Xω) Donc X ω) est la première décimale de Xω) Pour tout élément ω de Ω, X ω) représente, pour simplifier, la première décimale de Xω) b) Soit k un élément de {,, 9} {X = i} ) i N est un système complet d événements donc {X = k} = Cette réunion étant constituée d événements deu à deu disjoints on a : i N ) {X = i} {X = k}
17 JFC p 7 P X = k) = P i N {X = i} {X = k}) ) + = i= k {,, 9}, P X = k) = P {X = i} {X = k}) + i= P {X = i} {X = k}) Soit k un élément de {,, 9} et i un élément de N Soit ω un élément de Ω X ω) = i et X ω) = k i Xω) < i + et k Xω) i) < k + X ω) = i et X ω) = k i Xω) < i + et i + k Xω) < i + k + Or i i + k et i + k + i + donc : X ω) = i et X ω) = k i + k { Finalement {X = i} {X = k} = i + k X < i + k + } Rappelons que X est une variable aléatoire à densité Ainsi : P {X = i} {X = k}) = P i + k X < i + k + ) = P Donc P {X = i} {X = k}) = F i + k + ) i + k F + + Alors P X = k) = P {X = i} {X = k}) = F i= k N, P X = k) = Soit k un élément de {,, 9} i N, F i + k + ) ) i + k F = i N, F i + k + ) ) i + k F Alors P X = k) = e λ k e λ ) + + Comme e λ < : i= i+ k+ i+ k + i= i= ) Xω) < i + k + i + k < X i + k + ) i + k + ) F F i + k + ) F λ e λ t dt = = e λ k e λ ) e λ i i= e λ ) i [ e λ t] i+ k+ e λ ) i = e λ Ainsi : P X = k) = e λ k k {,,, 9}, P X = k) = e λ k 3) Soit i un élément de N et soit k un élément de {,,, 9} Nous avons vu que : P {X = i} {X = k}) = F i + k + ) F i+ k )) i + k )) i + k e λ e λ e λ e λ ) i + k = e λ i+ k ) e λ i+ k+ )
18 Nous avons également vu que : F i + k + ) F ) i + k = e λ k e λ ) e λ i JFC p 8 Alors P {X = i} {X = k}) = e λ k e λ ) e λ i = e λ ) e λ i e λ k Donc P {X = i} {X = k}) = P X = i) P X = k) Finalement X et X sont deu variables aléatoires discètes sur Ω, A, P ) telles que i X Ω), k X Ω), P {X = i} {X = k}) = P X = i) P X = k) Ainsi : e λ e λ X et X sont indépendantes
19 JFC p 9 Eercice 6 EDHEC 6 E 3 On considère deu variables aléatoires X et Y, définies sur un espace probabilisé Ω, T, P ) indé pendantes et suivant toutes deu la loi normale centrée réduite de densité notée φ et de fonction de répartition notée Φ) JF : nous supposerons que φ est l unique densité de X continue sur R On pose Z = SupX, Y ) et l on se propose de déterminer la loi de Z, ainsi que son espérance et sa variance Q a) Montrer que Z est une variable aléatoire à densité définie elle aussi sur Ω, T, P ) b) Vérifier que Z admet pour densité la fonction f définie pour tout réel par : f) = φ) Φ) Q a) Rappeler la valeur de l intégrale b) En déduire la convergence et la valeur de e t / dt e t dt c) En remarquant que, pour tout réel, φ ) = φ), montrer, grâce à une intégration par parties, que : f)d = π + π d) Montrer de même que : e t dt f)d = + e t d t π π En déduire que Z a une espérance et donner sa valeur Q3 a) a Montrer que X et Z suivent la même loi b) Déterminer EZ ), puis donner la valeur de la variance de Z Remarque Le tete utilise la dérivabilité de φ sur R φ n est donc pas une densité quelconque de X et de Y Rappelons?) que e est l unique densité de X définie et continue sur R et que cette π application est dérivable sur R Ainsi dans tout l eercice nous supposerons que φ est l application de R dans R définie par : R, φ) = e π ) a) Montrons que Z est une variable aléatoire réelle sur Ω, T, P ) Notons que Z est une application de Ω dans R Il reste alors à montrer que R, Z ], ]) T Soit un réel Z ], ]) = {ω Ω Zω) } = {ω Ω Sup Xω), Y ω) ) } Z ], ]) = {ω Ω Xω) et Y ω) } = {ω Ω Xω) } {ω Ω Y ω) } Z ], ]) = X ], ]) Y ], ])
20 JFC p X et Y sont deu variables aléatoires réelles sur Ω, T, P ) donc X ], ]) et Y ], ]) sont deu éléments de la tribu T qui est stable par intersection finie ou dénombrable Par conséquent X ], ]) Y ], ]) est encore un élément de T Finalement Z ], ]) est un élément de T et ceci pour tout réel Alors : Z = SupX, Y ) est une variable aléatoire réelle sur Ω, T, P ) Montrons que Z est une variable aléatoire à densité Notons F sa fonction de répartition R, F ) = P Z ) = P {X } {Y }) = P X ) P Y ) = Φ) Φ) = Φ) ) car X et Y sont indépendantes φ est une la!) densité continue sur R de X donc Φ est de classe C sur R et Φ = φ Ainsi F = Φ est de classe C sur R ce qui suffit très largement pour dire que Z est une variable aléatoire à densité Z = SupX, Y ) est une variable aléatoire à densité sur Ω, T, P ) b) De plus F est une densité de Z Notons que : F = Φ ) = Φ Φ = φ Φ ) a) = φt) dt = f : φ) Φ) est une densité de Z = SupX, Y ) e t + dt = π π e t dt Ainsi : e t dt eiste et vaut π b) Posons t R, ψt) = t ψ est de classe C sur R, ψ est strictement croissante sur R, lim ψt) = et lim ψt) = + t t + Ainsi ψ est une bijection de R sur R de classe C sur R Notons aussi que u e u est continue sur R Alors le théorème de changement de variable sur les intégrales généralisées indique que e u du est de ) même nature que e ψt) ψ t) dt et qu en cas de convergence ces deu intégrales sont égales Observons que t R, e ψt)) ψ t) = e t et rappelons que Alors e ψt)) ψ t) dt converge et vaut : π = π Par conséquent : e t dt converge et vaut π
21 JFC p e t dt converge et vaut π c) et d) R, φ) = π e donc φ est dérivable sur R et R, φ ) = π ) e = φ) Remarquons que φ est continue sur R donc φ est de classe C sur R Alors R, f) = φ) Φ) = φ ) Φ) Soit A dans R φ et Φ sont de classe C sur R Une intégration par parties simple donne alors : A [ ] A A A f) d = φ) Φ) φ) Φ )) d = φa) ΦA)+ φ) Φ)+ φ)) d Φ) =, φ) = π et R, φ)) = Alors A f) d = φa) ΦA) + π + π En multipliant par on obtient : A ) Alors e t dt converge donc lim A + Notons que π e A Donc π A e d ) lim φa) =, lim A + = π A π e A e d et ceci pour tout réel A ) f) d = φa) ΦA) π + π e t dt et e d et φa) =, lim A et Φ est une fonction de répartition e t dt convergent lim A π A ΦA) = et lim A + ) ) lim φa) ΦA) = et lim φa) ΦA) = A + A Alors ) donne lim A + A f) d = π + π f) d converge et vaut A e d et ceci pour tout réel ) e d = e d π ΦA) =, car A R, φa) = A e d Ce qui permet de dire que : π + π e d ) donne lim A A f) d = + e d Ainsi : π π f) d converge et vaut + e d π π EZ) = f) d et f) d + f) d convergent donc f) d converge Ainsi Z possède une espérance f) d = + e d + + π π π π e d
22 JFC p EZ) = π e d = π π = π Z possède une espérance qui vaut π 3) a) X et Z sont deu variables aléatoires réelles sur Ω, T, p) il en est donc de même pour X et Z Notons F X resp F Z ) la fonction de répartition de X resp Z ) ], [, F X ) = F Z ) = car X et Z prennent leurs valeurs dans [, + [ [, + [, F X ) = P X ) = P X ) = Φ ) Φ ) car X est une variable alétoire à densité De même : [, + [, F Z ) = F Z ) F ) Rappelons que F Z = Φ et que u R, Φ u) = Φu) Alors [, + [, F Z ) = Φ ) ) ) ) ) Φ ) = Φ ) Φ ) [, + [, F Z ) = Φ ) ) ) ) + Φ ) Φ ) = Φ ) Φ ) = Φ ) Φ ) [, + [, F Z ) = F X ) Finalement R, F Z ) = F X ) X et Z ont la même fonction de répartition donc : X et Z suivent la même loi b) X suit la loi normale centrée réduite Alors EX) eiste et vaut et V X) eiste et vaut Ainsi EX ) eiste et vaut V X) + EX) ), c est à dire Comme Z a même loi que X, Z possède une espérance qui vaut donc Z possède une variance V Z) = EZ ) EZ) ) = π ) = π L espérance de Z eiste et vaut La variance de Z eiste et vaut π
23 JFC p 3 Eercice 7 EDHEC 7 E 3 On considère une suite X n ) n de variables aléatoires définies sur un même espace probabilisé Ω, A), n mutuellement indépendantes, et qui suivent toutes la loi eponentielle de paramètre On pose S n = X k Q Rappeler quelle est la loi suivie par S n Donner l espérance et la variance de S n Q À l aide du théorème de la limite centrée, établir que lim P S n n) = n + n t n Q3 En déduire la valeur de lim n + n )! e t dt Q4 a) Utiliser le résultat précédent pour montrer que z n e nz dz n + b) On admet que n! πn n n e n En déduire un nouvel équivalent de n + n! n n+ z n e nz dz k= ) Soit n un élément de N X, X,, X n sont n variables aléatoires sur Ω, A, P ), mutuellement indépendantes et qui suivent la loi eponentielle de paramètre ou la loi gamma de paramètres et ou la loi gamma de paramètre ) Le cours permet alors de dire que S n = X + X + + X n suit la loi gamma de paramètres et n ou la loi gamma de paramètre n Pour tout élément n de N, S n suit la loi gamma de paramètres et n, ES n ) = n et V S n ) = n ) X n ) n est une suite de variables aléatoires mutuellement indépendantes sur Ω, A, P ) suivant la même loi ayant une espérance égale à et une variance non nulle) égale à Le théorème de la limite centrée montre alors que la suite de terme général S n ES n ) V Sn ) une variable aléatoire qui suit la loi normale centrée réduite converge en loi vers Notons Φ la fonction de répartition d une variable aléatoire qui suit la loi normale centrée réduite ) Alors, pour tout réel, lim P S n ES n ) = Φ) n + V Sn ) En particulier lim P n + Or ES n ) = n Alors : ) S n ES n ) = Φ) = Ainsi : lim V Sn ) P S n ES n )) = n + lim P S n n) = n + 3) Soit n un élément de N S n suit la loi gamma de paramètres et n
24 e t t n si t ], + [ Posons alors t R, f Sn t) = Γn) f Sn est une densité de S n sinon Alors P S n n) = n f Sn t) dt = n e t t n Γn) dt = n e t t n dt Par conséquent : n )! JFC p 4 n 4) a) lim n + n t n lim n + n )! e t dt = t n n )! e t dt = et n donc t n n )! e t dt n + Soit n un élément de N t t n est de classe C sur R Cela autorise le changement de variable z = t n dans n n t n n )! e t dt On obtient alors : t n n )! e t dt = Alors nn+ n! z n e nz dz nz) n e n z n )! n + n dz = donc nn n )! z n e n z dz z n e n z dz n + z n e nz dz = nn+ n! n + n! n n+ n! n n+ z n e nz dz b) n! π n n n e n donc n + n! π n n n e n n n+ n + n n+ ou z n e n z dz n + n! n n+ n + π n e n π n e n Alors :
25 JFC p 5 Eercice 8 EDHEC 8 E ) Q On considère la matrice A = de M y R) Trouver une condition nécessaire et suffisante portant sur les réels et y pour que la matrice A soit diagonalisable dans M R) Q Dans la suite X et Y sont deu variables aléatoires réelles, définies sur le même espace probabilisé Ω, A, P ), indépendantes qui suivent toutes les deu la loi uniforme sur [, ] a) Déterminer une densité de X on ne demande pas de vérifier que X est une variable aléatoire à densité) b) Déterminer une densité de Y on ne demande pas de vérifier que Y est une variable aléatoire à densité) c) En déduire que la variable aléatoire X Y admet pour densité la fonction h définie par : + si [, [ R, h) = si [, ] sinon ) d) Déterminer la probabilité pour que la matrice M = soit diagonalisable dans M Y X R) ) Soit λ un réel λ est valeur propre de A si et seulement si la matrice A λ I n est pas inversible ) ) λ λ Or A λ I = et n est pas inversible si et seulement si λ) λ) y ) =, y λ y λ donc si et seulement si λ λ + y = ) Le discriminant de cette équation du second degré est ) 4y ; il a donc le signe de y Premier cas : y < L équation ) n a pas de solution dans R donc A n a pas de valeur propre dans R A n est pas diagonalisable dans M R) Deuième cas : y = L équation ) admet une solution et une seule dans R qui est Ainsi est la seule valeur propre de A dans R Supposons alors que A est diagonalisable dans M R) Il eiste une matrice inversible P de M R) et une matrice diagonale D de M R) telles que P AP = D D est semblable à A donc a les mêmes ) valeurs propres que A Ainsi D est diagonale et a pour unique valeur propre Dans ces conditions : D = donc D = I ) ) Alors : = A = P DP y = P I )P = P I P = P P = I = Cela n est pas très vraisemblable dans la mesure où n est pas franchement égal à! Par conséquent A n est pas diagonalisable dans M R) Troisième cas y > L équation ) admet deu solutions distinctes dans R Ainsi A est une matrice de M R) ayant deu valeurs propres réelles et distinctes, donc A est diagonalisable dans M R) Finalement : A est diagonalisable dans M R) si et seulement si y est strictement positif
26 JFC p 6 ) Dans la suite si T est une variable aléatoire nous noterons F T sa fonction de répartition a) X prend ses valeur dans [, ] Ainsi ], [, F X ) = et [, + [, F X ) = [, [, F X ) = P X ) = P X ) = P < X ) = F X ) F X ) si z ], [ Rappelons que z R, F X z) = z si z [, [ si z [, + [ Alors [, [, F X ) = F X ) F X ) = = si ], [ Finalement : R, F X ) = si [, [ si [, + [ Vérifions rapidement que X est une variable aléatoire à densité même si cela n est pas demandé Notons déjà que X est une variable aléatoire car X en est une Rappelons que est continue sur [, + [ et de classe C sur ], + [ Alors F X est de classe C sur ], [, ], [ et [, + [ Ceci suffit pour dire que F X est de classe C au moins sur R {, } F X est aussi continue sur ], [, [, [ et [, + [ Ceci suffit pour dire que F X est continue en tout point de R {, } et continue à droite en et normal) De plus lim F X ) = = = F X ) et lim F X) = lim = = FX ) F X est donc continue à gauche en et Finalement F X est continue sur R et de classe C sur R {, } Ainsi X est une variable aléatoire à densité De plus ], [ ], + [, F X ) = et ], [, F X ) = Posons alors : R, f X ) = si ], ] sinon f X est une fonction positive sur R qui coïncide avec F X sur R privé d un nombre fini de points donc c est une densité de X La fonction f X définie par : R, f X ) = si ], ], est une densité de X sinon b) Y prend ses valeur dans [, ] Ainsi ], [, F Y ) = et [, + [, F Y ) = [, [, F Y ) = P Y ) = P Y ) = P Y < ) = P Y ) = F Y ) si z ], [ Rappelons que z R F Y z) = z si z [, [ si z [, + [ Alors [, [, F Y ) = F Y ) = ) = + = ) )
27 JFC p 7 si ], [ ) Finalement : R, F Y ) = si [, [ Donc Y suit la loi uniforme sur [, ] Dans ces ) si [, + [ conditions : { si [, ] la fonction f Y définie par : R, f Y ) = sinon est une densité de Y c) X et Y sont deu variables aléatoires indépendantes car X et Y le sont X et Y sont des variables aléatoires à densité admettant pour densité respectivement f X et f Y f Y est bornée sur R Dans ces conditions X + Y ) est une variable aléatoire à densité et la fonction h : en est une densité définie sur R Ainsi X Y est une variable aléatoire à densité et h en est une densité Déterminons h Soit un réel { si t [, ] h) = f X t) f Y t) dt = f X t) dt car t R, f Y t) = sinon Le changement de variablec!) u = t donne sans difficulté : h) = + f X u) du f X t) f Y t) dt Rappelons alors que u R, f X u) = si u ], ] u sinon Observons que si appartient à ], [ : [, + ] ], [ et si appartient à ], + [ : [, + ] ], + [ Alors si ], [ ], + [, f X est nulle sur l intervalle [, + ], donc h) = Supposons que appartienne à [, ] Alors + [, ] Ainsi h) = + du [ u ] + u = = + Supposons que appartienne à ], ] alors + ], ] du [ u ] Ainsi h) = u = = + si [, ] Finalement : R, h) = si ], ] sinon X Y est une variable aléatoire à densité admettant pour densité la fonction h définie par : + si [, ] R, h) = si ], ] sinon + si [, ] Remarque On a encore : R, h) = si [, ]! sinon d) Notons S l événement la matrice M est diagonalisable dans M R)
28 { ) } S = ω Ω est diagonalisable dans M Y ω) Xω) R) D après la question : S = {ω Ω Xω) ) } Y ω) > = {X Y > } Ainsi P S) = P X Y > ) = ht) dt = [ ) t dt = t ] 3 t 3 = 3 = 3 ) La probabilité pour que la matrice M = soit diagonalisable dans M Y X R) est 3 JFC p 8
29 JFC p 9 Eercice 9 EDHEC E 3 Dans cet eercice, a désigne un réel strictement positif On considère deu variables aléatoires X et Y, définies sur un espace probabilisé Ω, A, P ), indépendantes, et suivant toutes deu la loi uniforme sur [, a[ On pose Z = X Y et on admet que Y, X Y et Z sont des variables alétoires à densité, elles aussi définies sur l espace probabilisé Ω, A, P ) ) a) Déterminer une densité de Y b) En déduire que la variable aléatoire X Y admet pour densité la fonction g définie par : a R, g) = a si [ a, a] sinon On note G la fonction de répartition de X Y ) a) Eprimer la fonction de répartition H de la variable aléatoire Z en fonction de G a ) b) En déduire qu une densité de Z est la fonction h définie par : R, h) = a si [, a] sinon 3) Montrer que Z possède une espérance et une variance et les déterminer 4) Simulation informatique On rappelle qu en Turbo Pascal, la fonction random permet de simuler la loi uniforme sur [, [ Compléter la déclaration de la fonction suivante pour qu elle retourne à chaque appel un nombre réel choisi selon la loi de Z Function z a : real) : real ; Var, y : real ; Begin : = ; y : = ; z : = ; End ; si [, a] ) a) Posons t R, f Y t) = a f Y est une densité de Y et de X sinon si ], [ Notons F Y la fonction de répartition de Y R, F Y ) = si [, a] a si ]a, + [ Notons F Y la fonction de répartition de Y Y prend ses valeurs dans ] a, ] Donc ], a], F Y ) = et [, + [, F Y ) = Soit un élément de ] a, [ F Y ) = P Y ) = P Y ) = P Y < ) = P Y ) car Y est une variable aléatoire à densité
30 F Y ) = F Y ) = si ], a] a) R, F Y ) = si ] a, [ a) si ], + [ ) car appartient à ], a[ Finalement : F Y ) = a) a a) JFC p 3 On reconnaît la fonction de répartition d une variable aléatoire qui suit la loi uniforme sur [ a, ] ou sur ] a, ] ou sur ] a, [!! si [ a, ] La fonction f Y définie par t R, f Y t) = a est une densité de Y sinon La fonction f si ] a, ] Y définie par t R, f Y t) = a est encore une densité de Y sinon b) X et Y sont deu variables aléatoires à densité indépendantes car X et Y sont indépendantes f X est une densité de X bornée sur R et f Y est une densité de Y également bornée sur R) Le théorème de convolution indique alors que X Y est une variables aléatoire à densité et que g : R, g) = f X t) f Y t) dt en est une densité définie sur R f X t) f Y t) dt = a a f Y t) dt Le changement de variable u = t t t est de classe C sur R) donne : a R, g) = f Y u) ) du = f Y u) du a a a si [ a, ] Rappelons que t R, f Y t) = a sinon Notons que si ], a[ alors [ a, ] ], a[ et si ]a, + [ alors [ a, ] ], + [ Par conséquent : ], a[ ]a, + [, g) = a [ a, [, g) = a [, a], g) = a a R, g) = a a a du = du a = ) a + a) = a a = a a si [ a, [, a < a) du a = ) a a) = a a = a a si [, a], a [ a, ] et ) a si [ a, a] sinon La fonction g définie par : R, g) = ) a) ], [, H) = P Z ) = P X Y ) = a a si [ a, a] sinon est une densité de X Y [, + [, H) = P Z ) = P X Y ) = P X Y ) = G) G )
31 JFC p 3 { G) G ) si [, + [ R, H) = sinon b) Notons que g est une densité de X Y continue sur R Alors la fonction de répartition G de X Y est de classe C sur R et R, G ) = g) Par composition : G ) est de de classe C sur R Par différence G) G ) est de de classe C sur R Ainsi H est de classe C sur sur [, + [ H est également de classe C sur ], [ car elle est nulle sur cet intervalle H est donc au moins dérivable en tout point de R Remarque H est de classe C SUR ], [ et Sur [, + [ Ceci montre qu elle est de classe C sur R et qu elle est continue à droite en De plus lim H) = = G) G ) = H) ; H est donc continue à gauche en Finalement H est continue en Alors H est continue en tout point de R et de classe C sur R Cela suffit pour dire que Z = X Y est une variable aléatoire à densité Ce qui n était pas demandé car admis dans le tete ], [, H ) = On a aussi : ], + [, H ) = G ) + G ) = g) + g ) = g) g est paire sur R) Précisons ], a], H ) = g) = a a Finalement : ], a], H ) = a ) Posons R, h) = = a a ) a = a et ]a, + [, H ) = a ) a et ], [ ]a, + [, H ) = a si [, a] sinon h est positive sur R et coïncide avec H sur R donc sur R privé d un ensemble fini de points Ainsi h est une densité de Z a ) La fonction h définie par : R, h) = a si [, a] sinon 3) D une pierre plusieurs coups Soit k dans N Montrons que Z possède un moment d ordre k, c est à dire que t t k ht) est nulle sur ], [ et sur ]a, + [ donc t k ht) dt et est une densité de Z = X Y t k ht) dt converge t [, a], t k k a t) ht) = t Ainsi t t k ht) est continue sur [, a] donc Alors a t k ht) dt converge et vaut a Le cours montre alors que Z k possède une espérance qui vaut EZ k ) = a t k ht) dt = a k a t) t a dt = a a t k ht) dt convergent et valent a t k ht) dt eiste t k ht) dt Donc Z possède un moment d ordre k qui vaut a a t k ht) dt a t k t k+ ) dt = a [ a tk+ k + tk+ k + ] a a t k ht) dt
32 EZ k ) = ) a a ak+ k + ak+ = a k k + k + ) a k = k + k + )k + ) En particulier EZ) eiste et vaut a 6 ou a 3, et EZ ) eiste et vaut a Alors Z possède une variance qui vaut a 6 a 3 ) ou a 8 ou a 6 JFC p 3 Z possède une espérance et une variance EZ) = a 3 et V Z) = a 8 4) Notons que si U est une variable aléatoire qui suit la loi uniforme sur [, [ alors a U est une variable aléatoire qui suit la loi uniforme sur [, a[ Function za:real):real; Var,y:real; Begin :=a*random;y:=a*random;z:=abs-y); End;
33 JFC p 33 Eercice EDHEC E On considère une suite X n ) n N de variables aléatoires, définies sur un même espace probabilisé Ω, A, P ), indépendantes, et suivant toutes la loi eponentielle de paramètre λ avec λ > ) ) a) Donner, pour tout réel strictement positif, une densité de X b) Montrer que l on peut choisir comme densité de X X, la fonction f définie par : z R, fz) = λ + eλ z si z < λ + e λz si z c) On pose T = X X et on admet que T est une variable aléatoire définie, elle aussi, sur Ω, A, P ) Déterminer la fonction de répartition F T de la variable aléatoire T ) On pose X = T +, où T désigne la partie entière de T On admet également que X est une variable aléatoire définie sur Ω, A, P ) Montrer que : n N, P X = n) = nn + ) 3) Pour tout entier naturel n supérieur ou égal à, on pose Y n = SupX,, X n ) et on admet que Y n est une variable aléatoire à densité définie sur Ω, A, P ) a) Donner sans calcul une densité de X b) Déterminer la fonction de répartition G n de Y n et en déduire une densité g n de Y n c) En déduire qu il eiste une densité h n de Y n X telle que : ], [, h n ) = n + λ eλ 4) On note Z la variable aléatoire définie par Z = Inf {k N, X k > X } si cet ensemble n est pas vide et Z = si cet ensemble est vide a) Établir que, pour tout entier naturel n non nul, on a : Z > n) Z = ) = Y n X ) b) Montrer que Z = ) = + k= Y k X ), puis tablir que P Z = ) = c) En déduire que, pour tout entier naturel n non nul, les événements Z = n) et X = n) ont même probabilité 5) Informatique a) Soit U une variable aléatoire suivant la loi uniforme sur [, [ On pose V = λ ln U) et on admet que V est une variable aléatoire Déterminer la fonction de répartition de V en fonction de celle de U, puis en déduire la loi suivie par la variable aléatoire V b) Écrire une fonction en Pascal dont l en-tête est function z : real ; qui simule la loi de Z { λ e λt si t [, + [ ) a) Soit un réel strictement positif Posons t R, φt) = sinon X est une variable aléatoire à densité de densité φ
34 JFC p 34 Le cours?) montre alors que X est une variable aléatoire à densité de densité ψ : t ) t φ λ t R, ψ t) = φ t ) Donc : t R, ψ t) = e λ t si t ], ] sinon Pour tout réel strictement positif, X est une variable aléatoire à densité de densité ψ définie par λ t R, ψ t) = e λ t si t ], ] sinon b) Soit un réel strictement positif X et X sont deu variables aléatoires à densité de densités respectives φ et ψ X et X sont indépendantes donc X et X sont indépendantes t R, φt) λ donc φ est bornée sur R Le théorème de convolution ou son corollaire) permet de dire que X X est une variable aléatoire à densité et que f : z Remarque φz t) ψ t) dt ou f : z φt) ψ z t) dt ) en est une densité définie sur R Nous ne pouvons pas encore l appeler f dans la mesure où X X n admet pas qu une densité Soit z un réel fz) = φz t) ψ t) dt = φz t) λ e λ t dt t z t définit une bijection strictement décroissante de ], [ sur ]z, + [ de classe C Ceci justifie le changement de variable u = z t dans ce qui suit fz) = fz) = λ e λ z φz t) λ e λ t dt = λ Notons que λ + Ma{,z} z φu) e λ z u) du = λ + λ e ) u du = λ + e λ z est un réel strictement positif Ma{,z} Ma{,z} λ + e λ e λ u e λ z u) du + λ ) u du Soit alors F W la fonction de répartition d une variable aléatoire W qui suit la loi eponentielle de paramètre λ + Ma{,z} Donc fz) = λ + + λ e ) u + λ du = P W > Ma{, z}) = P W Ma{, z})) = e ) Ma{,z} λ + e λ z Ma{,z} λ + Si z est strictement négatif alors fz) = z R, fz) = λ + e λ z si z ], [ λ + e λ z si z [, + [ + λ e ) u du = λ + e λ z + λ e ) Ma{,z} λ + e λ z Si z est positif ou nul : fz) = λ + e λ z + λ e ) z = λ + e λ z Nous pouvons maintenant dire que : Pour tout réel strictement positif, X X est une variable aléatoire à densité admettant pour densité λ + e λ z si z ], [ la fonction f définie par : z R, fz) = λ + e λ z si z [, + [
35 c) X et X prennent presque sûrement des valeurs strictement positives donc T = X valeurs strictement positives Alors : ], ], F T ) = et ], + [, F T ) = P Sot un élément de ], + [ F T ) = P X X ) = F T ) = P X X ) = + de probabilité nulle sur ], + [ si ], + [ R, F T ) = + si ], ] ψ t) dt = Notons que l on a encore : R, F T ) = + X JFC p 35 prend presque sûrement des ) X = P X X ) = P X X ) X + si [, + [ si ], [ R, F T ) = + ft) dt = ψ t) dt = si [, + [ si ], [ λ + e λ t dt = + λ e λ t dt + = + car ψ est une densité car F t ) = = + Ainsi : Montrons que T est une variable aléatoire à densité ce qui sera utile dans la question suivante Observons que ], ], F T ) = et [, + [, F T ) = + Comme est de classe C sur ], ] et que ], ] et sur [, + [ + est de classe C sur [, + [, F T est de classe C sur Cela suffit pour dire que F T est continue sur R et de classe C au moins sur R donc sur R privé d un ensemble fini de points Ainsi : T est une variable aléatoire à densité ) X = T + prend presque sûrement ses valeurs dans N n N, P X = n) = P T + = n) = P T = n ) = P n T < n) n N, P X = n) = P n < T n) car T est une variable aléatoire à densité n N, P X = n) = F T n) F T n ) = n n + n = n n + )n ) = n n ) = n nn + ) nn + ) nn + ) n N, P X = n) = nn + ) 3) On admettra seulement que, pour tout élément n de N, Y n est une variable aléatoire a) D après ) a) X est une variable aléatoire à densité de densité ψ X est une variable aléatoire à densité de densité ψ définie par { t R, ψ t) = λ e λ t si t ], ] sinon b) Soit n un élément de N Soit dans R
36 JFC p 36 G n ) = P Y n ) = P SupX, X,, X n ) ) = P {X } {X } {X n }) X, X,, X n sont indépendantes et suivent toutes la loi eponentielle de paramètre λ On a alors : G n ) = P X ) P X ) P X n ) = P X ) ) { n e λ ) n si [, + [ = sinon { e λ ) n si [, + [ R, G n ) = sinon On a R, G n ) = { e λ ) n si [, + [ si ], [ Mais remarquons que l on a aussi R, G n ) = { e λ ) n si [, + [ si ], ] et e λ ) n sont de classe C sur R donc G n est de classe C sur ], ] et sur [, + [ Ceci suffit pour dire que G n est continue sur la totalité de R et au moins de classe C sur R Alors : Y n est une variable aléatoire à densité ], [, G n) = et ], + [, G n) = n λ e λ e λ ) n { n λ e λ e λ ) n si [, + [ Posons R, g n ) = sinon g n est positive sur R et coïncide avec G n sur R donc sur R privé d un ensemble fini de points Alors g n est une densité de Y n { n λ e λ e λ ) n si [, + [ La fonction g n définie par R, g n ) = sinon est une densité de Y n c) Soit n un élément de N Y n et X sont deu variables aléatoires à densité de densités respectives g n et ψ X, X,, X n, X sont indépendantes donc SupX, X,, X n ) et X sont indépendantes Alors Y n et X sont indépendantes { t R, ψ t) = λ e λ t si t ], ] Alors t R, ψ t) λ donc ψ est bornée sinon Ici encore nous pouvons dire que Y n X est une variable aléatoire à densité et que h n : ou h n : g n t) ψ t) dt en est une densité définie sur R { Soit un élément de ], [ t R, ψ t) = λ e λ t) si t [, + [ sinon Alors h n ) = g n t) ψ t) dt = g n t) λ e λ t)) dt h n ) = λ e λ g n t) e λ t dt car g n est nulle sur ], [ et est strictement négatif g n t) ψ t) dt
37 JFC p 37 Calculons Version g n t) e λ t dt t [, + [, g n t) e λ t = g n t) e λ t + ) = g n t) e λ t ) + g n t) t [, + [, g n t) e λ t = g n t) e λ t ) g n t) = g n t) e λ t ) n λ e λ t e λ t ) n t [, + [, g n t) e λ t = g n t) n n + n + ) λ e λ t e λ t ) n = g n t) n n + g n+t) Or Donc Ainsi Version g n t) dt et g n t) e λ t dt = g n+ t) dt eistent et valent g n t) e λ t dt = n + Calculons g n t) dt n n + g n+ t) dt = g n t) e λ t dt en intégrant par parties n n + = n + Soit L n la restriction de G n à [, + [ L n est de classe C sur [, + [ et t [, + [, L nt) = g n t) Remarque eemple Notons que nous ne pouvons pas toujours écrire t [, + [, G nt) = g n t) dans la cas où n = par De plus t e λ t est de classe C sur [, + [ Soit A un réel strictement positif A g n t) e λ t dt = [L n t) e λ t] A A [ ] A L n t) λ e λ t ) dt = e λ t G n t) + A A g n t) e λ t dt = e λ A G n A) G n ) + A g n t) e λ t dt = e λ A G n A) G n ) + n + e λ A ) n+ G n ) =, lim A + e λ A =, Alors lim A + A lim G na) = et A + A G n t) λ e λ t ) dt [ e λ e λ t e λt ) n dt = e λ A λ t ) n+ G n A) G n ) + n + lim A + e λ A ) n+ = g n t) e λ t dt = Ainsi nous retrouvons que n + Finalement : h n ) = n + λ eλ et ceci pour tout réel strictement négatif Ne reste plus qu à poser h n = h n pour dire que : g n t) e λ t dt = n + ] A Y n X est une variable aléatoire à densité qui possède une densité h n telle que : ], [, h n ) = n + λ eλ Remarque Calculer h n ) pour tout réel positif ou nul 4) a) Soit n un élément de N L événement {Z > n} {Z = } se réalise si et seulement si les n événements {X X }, {X X },, {X n X } se réalisent Alors : {Z > n} {Z = } = {X X } {X X } {X n X } = {SupX, X,, X n ) X } = {Y n X } Pour tout élément n de N : {Z > n} {Z = } = {Y n X } b) {Z = } se réalise si et seulement si pour tout k dans N {X k > X } n est pas réalisé
38 JFC p 38 {Z = } se réalise si et seulement si pour tout k dans N l événement {X k X } est réalisé On peut encore dire que {Z = } se réalise si et seulement si pour tout k dans N l événement {X X } {X X } {X k X } est réalisé Alors : + ) + { } + { } {Z = } = {X X } {X X } {X k X } = SupX, X,, X k ) X = Yk X k= {Z = } = + k= k= { Yk X } k N, {X X } {X X } {X k X } {X k+ X } {X X } {X X } {X k X } k= Donc k N, {Y k+ X } {Y k X } La suite {Y k X } ) k N est décroissante Le théorème de la limite monotone montre alors que : P Z = ) = P k N, P Y k X ) = P Y k X ) = Rappelons que ψ est une densité de probabilité nulle sur ], + [ k N, P Y k X ) = k + Alors P Z = ) = lim P Y k X ) = k + + k= h k t) dt = λ e λ t dt = k + k + ψ t) dt = k + = k + lim k + k + = P Z = ) = { Yk X } ) = lim k + P Y k X ) ψ t) dt c) Par incompatibilité : n N, P {Z > n} {Z = } ) = P Z > n) + P Z = ) Comme P Z = ) = il vient : n N, P {Z > n} {Z = } = P Z > n) Donc n N, P Z > n) = P {Z > n} {Z = } ) = P Y n X ) = n + comme nous l avons vu dans b)) P Z > ) = P Z ) = P Z = ) = = = Donc n N, P Z > n) = + n + Alors : n N, P Z = n) = P Z > n ) P Z > n) = n n + = = P X = n) nn + ) Pour tout entier naturel n non nul, les événements {X = n} et {Z = n} ont même probabilité 5) a) U prend ses valeurs dans [, [ donc U prend ses valeurs dans ], ] Alors ln U) prend ses valeurs dans ], ] et V = λ ln U) prend ses valeurs dans [, + [ Notons F V la fonction de répartition de V D après ce qui précède, ], [, F V ) = Soit un élément de [, + [ F V ) = P V ) = P λ ) ln U) = P ln U) λ ) F V ) = P U e λ ) = P U e λ ) Or appartient à [, + [ donc e λ appartient à [, [ si z ], [ Comme U suit la loi eponentielle sur [, [ : z R, P U z) = z si z [, [ si z [, + [ Alors F V ) = P U e λ ) = e λ
Exercice 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 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 détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
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 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 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 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 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 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 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 détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
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 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 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 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 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 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 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 détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
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 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 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 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 détailMESURE ET INTÉGRATION EN UNE DIMENSION. Notes de cours
MSUR T INTÉGRATION N UN DIMNSION Notes de cours André Giroux Département de Mathématiques et Statistique Université de Montréal Mai 2004 Table des matières 1 INTRODUCTION 2 1.1 xercices.............................
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 détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en 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 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 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 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 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 détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
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 détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en 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 détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en 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 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 détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en 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 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 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 détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailFonctions holomorphes
Université Joseph Fourier, Grenoble Maths en Ligne Fonctions holomorphes Christine Laurent-Thiébaut Ceci est le second volet de l étude des fonctions d une variable complexe, faisant suite au chapitre
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 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 détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
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 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 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 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 détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en 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 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 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 détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
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 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 détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
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 détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
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 détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
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 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 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 détailFonctions de plusieurs variables. Sébastien Tordeux
Fonctions de plusieurs variables Sébastien Tordeux 22 février 2009 Table des matières 1 Fonctions de plusieurs variables 3 1.1 Définition............................. 3 1.2 Limite et continuité.......................
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailProbabilités avancées. Florin Avram
Probabilités avancées Florin Avram 24 janvier 2014 Table des matières 1 Mise en scène discrète 3 1.1 Espace des épreuves/résultats possibles, événements, espace probabilisé, mesure de probabilités, variables
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 détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en 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 détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailDate : 18.11.2013 Tangram en carré page
Date : 18.11.2013 Tangram en carré page Titre : Tangram en carré Numéro de la dernière page : 14 Degrés : 1 e 4 e du Collège Durée : 90 minutes Résumé : Le jeu de Tangram (appelé en chinois les sept planches
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en 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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailChapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :
Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de
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 détailCours de mathématiques
DEUG MIAS premier niveau Cours de mathématiques année 2003/2004 Guillaume Legendre (version révisée du 3 avril 2015) Table des matières 1 Éléments de logique 1 1.1 Assertions...............................................
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailUne forme générale de la conjecture abc
Une forme générale de la conjecture abc Nicolas Billerey avec l aide de Manuel Pégourié-Gonnard 6 août 2009 Dans [Lan99a], M Langevin montre que la conjecture abc est équivalente à la conjecture suivante
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailChapitre 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 détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailGroupe symétrique. Chapitre II. 1 Définitions et généralités
Chapitre II Groupe symétrique 1 Définitions et généralités Définition. Soient n et X l ensemble 1,..., n. On appelle permutation de X toute application bijective f : X X. On note S n l ensemble des permutations
Plus en 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 détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en 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 détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailChapitre VI Fonctions de plusieurs variables
Chapitre VI Fonctions de plusieurs variables 6. 1 Fonctions différentiables de R 2 dans R. 6. 1. 1 Définition de la différentiabilité Nous introduisons la différentiabilité sous l angle des développements
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 détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détail