CONVERGENCE ET APPROXIMATION

Dimension: px
Commencer à balayer dès la page:

Download "CONVERGENCE ET APPROXIMATION"

Transcription

1 J.F.C. Cov. p. 1 CONVERGENCE ET APPROXIMATION I CONVERGENCE EN PROBABILITÉ 1. Défiitio 2. Ue coditio suffisate de covergece e probabilité 3. La loi faible des grads ombres 4. Ue coséquece de la loi faible des grads ombres II CONVERGENCE EN LOI 1. Défiitio 2. Pratiquemet 3. Comparaiso des deux covergeces 4. Ue difficulté à surmoter III CONVERGENCE EN LOI : DU DISCRET AU DISCRET 1. Quelques caractérisatios 2. Pratiquemet 3. Approximatio 1 : approximatio d ue loi hypergéométrique par ue loi biômiale 4. Approximatio 2 : approximatio d ue loi biômiale par ue loi de Poisso 5. Ue remarque du programme à propos des approximatios IV THÉORÈME DE LA LIMITE CENTRÉE 1. Deux éocés du théorème de la limite cetrée 2. Approximatio 3 : approximatio d ue loi biômiale par ue loi ormale 3. Approximatio 4 : approximatio d ue loi de Poisso par ue loi ormale V COMPLÉMENTS 1. De l uicité de la limite das le covergece e probabilité. 2. Covergece presque sûre. 3. Loi forte des grads ombres. 4. Covergece e probabilité et opératios.

2 J.F.C. Cov. p. 2 P metioe des résultats particulièremet utiles et souvet oubliés das la pratique de la covergece. metioe des erreurs à e pas faire où des hypothèses importates ou des mises e garde. SD metioe des résultats qu il serait bo de savoir démotrer.! Notios ou résultats qui e semblet pas toujours très importats mais qui figuret explicitemet das le programme doc qui sot exigibles. Das la suite les variables aléatoires cosidérées le sot sur l espace probabilisé (Ω, A, P (sauf metio du cotraire. I CONVERGENCE EN PROBABILITÉ 1. Défiitio. Déf. 1 (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O dit que (X 0 coverge e probabilité vers X si pour tout réel ε strictemet positif : Nous écriros alors X P X. lim P ({ X X ε} = 0. Th. 1 (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. (X 0 coverge e probabilité vers X si et seulemet si, pour tout réel ε strictemet positif : lim P ({ X X > ε} = 0. Ce résultat est e fait la défiitio du programme pour la covergece e probabilité. Qu o se le dise et que l o se le démotre. O peut ecore remplacer lim P ({ X X ε} = 0 ou lim P ({ X X > ε} = 0 par lim P ({ X X < ε} = 1 ou lim P ({ X X ε} = 1. Notos que la covergece e probabilité est ue otio relativemet cotraigate. Il est pas toujours facile de calculer la probabilité iterveat d autat qu elle e résulte pas de maière immédiate des lois de X et de X puisqu elle fait iterveir la loi de X X. Les deux coditios suffisates qui suivet sot doc les bieveues. La covergece e loi égalemet...

3 J.F.C. Cov. p Ue coditio suffisate de covergece e probabilité. Th. 2 Complémet SD Soit (X 0 ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. Si lim E(X X = 0 et lim V (X X = 0 alors la suite (X 0 coverge e probabilité vers X. Th. 3 PP SD Soit (X 0 ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O suppose que, pour assez grad, E(X X = 0 (ou que E(X = E(X, ce qui est pas tout à fait la même chose... Alors si lim V (X X = 0, la suite (X 0 coverge e probabilité vers X. Le secod théorème est de toute évidece u corollaire du premier au détail près que sa démostratio peut s obteir e deux liges avec l iégalité de Bieaymé-Tchebychev. Qu o se le dise, qu o se le démotre, que l o se l utilise et que l o e se l oublie pas au iveau des estimateurs... Les coditios coteues das ces théorèmes sot suffisates pour avoir la covergece e probabilité mais pas écessaires. 3. Loi faible des grads ombres. Th. 4 (X 1 est ue suite de variables aléatoires réelles ayat même espérace m et même variace σ 2 (σ > 0. O suppose que les variables aléatoires réelles de cette suite sot (deux à deux idépedates. Alors la suite de terme gééral X 1 + X X coverge e probabilité vers la variable aléatoire réelle certaie égale à m. ( X 1 + X X Notos que sous les hypothèses du théorème précédet : P m ε σ2 ε 2 Cor. (X 1 est ue suite de variables aléatoires réelles suivat ue loi de Beroulli de paramètre p. O suppose que les variables aléatoires réelles de cette suite sot deux à deux idépedates (resp. idépedates. La suite de terme gééral certaie égale à p. X 1 + X X coverge e probabilité vers la variable aléatoire réelle ( X 1 + X X Notos que sous les hypothèses du résultat précédet : P p ε p(1 p ε 2 1 4ε 2 Déf. 2 (X 1 est ue suite de variables aléatoires réelles sur (Ω, A, P. La variable aléatoire X 1 + X X est la moyee empirique d ordre de la suite.

4 J.F.C. Cov. p Ue coséquece de la loi faible des grads ombres. Illustros le derier résultat. probabilité de sa réalisatio. Cosidéros u évéemet A associé à ue expériece aléatoire et otos p la Itéros cette expériece aléatoire de maière à ce que les itératios soiet idépedates. Pour tout das N, otos X la variable aléatoire qui vaut 1 si A se réalise à la ème itératio et 0 sio. Pour tout das N, X suit ue loi de Beroulli de paramètre p et (X 1 est ue suite de variables aléatoires mutuellemet idépedates. Pour tout das N, Y = X 1 + X X itératios. est la fréquece de réalisatio de A au cours des premières Le résultat précédet idique que (Y 1 coverge e probabilité vers la variable aléatoire certaie égale à p. Doc, pour tout réel strictemet positif ε, la probabilité pour que Y pree des valeurs à l extérieur de l itervalle ] ε, ε[ ted vers zéro lorsque ted vers l ifii, c est à dire lorsque l o réalise u grad ombre de fois l expériece. Ceci légitime otre modèle probabiliste ispiré des fréqueces statistiques. A l iverse il permet ecore d estimer la valeur de p à partir de la fréquece de réalisatio de A. II CONVERGENCE EN LOI 1. Défiitio. Déf. 3 (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O dit que (X 0 coverge e loi vers X si pour tout réel x où F X est cotiue : lim F X (x = F X (x ou lim P (X x = P (X x. 2. Pratiquemet. PP Soit (X 0 ue suite de variables aléatoires réelles sur (Ω, A, P. Pour motrer que cette suite coverge e loi il est pas utile de trouver ue variable aléatoire X telle que (X 0 coverge e loi vers X. E gros, il coviet avat tout de trouver lim F X (x, pour tout x das R et de motrer que l applicatio F : x lim F X (x est la foctio de répartitio d ue variable aléatoire. Alors deux rappels s imposet. Th. 5 Soit F ue applicatio de R das [0, 1] ou das R... (voir les deux premiers poits. F est la foctio de répartitio d ue variable aléatoire réelle si et seulemet si : F est croissate sur R. lim F (x = 0 et lim F (x = 1. x x + F est cotiue à droite e tout poit de R.

5 J.F.C. Cov. p. 5 Th. 6 Soit F ue applicatio de R das [0, 1] ou das R... (voir les deux premiers poits. F est la foctio de répartitio d ue variable aléatoire réelle à desité si et seulemet si : 1. F est croissate sur R ; 2. lim F (x = 0 et lim F (x = 1 ; x x + 3. F est cotiue sur R ; 4. Il existe u esemble fii évetuellemet vide D, coteu das R et tel que F soit de classe C 1 sur R - D. 3. Comparaiso des deux covergeces. Th. 7 (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. Si (X 0 coverge e probabilité vers X alors (X 0 coverge e loi vers X. La réciproque est fausse. 4. Ue difficulté à surmoter. PP Soit (X 0 ue suite de variables aléatoires réelles sur (Ω, A, P. O souhaite motrer que cette suite coverge e loi vers ue variable aléatoire. Comme ous l avos dit plus haut il coviet e gros de trouver lim F X (x pour x das R. Le problème se complique lorsque F X est défiie par itervalles et que des bores de ses itervalles cotieet. Doos deux exemples. (1 e x si x [ l, + [ ex. 1. x R, F (x =. 0 sio ] ex. 2. x, 2 ], F (x = 0 et x [2, + [, F (x = 1. [ 2 Si x est élémet de, [ Et (x (Et (x 1 : F (x = 2 2 Si x est élémet de [1 + 1 [, 2 : F (x = 1 ( 2 2 (4 + 1 Et (x ( Et (x Das le premier cas il est pas questio de passer à la limite pour x das [ l, + [ puis pour x das ], l [!! Même type de remarque pour le deuxième exemple. Le bo algorithme cosiste à fixer x das u itervalle idépedat de qui permet de passer aisémet à la limite. Das le premier cas o fixe x das R et o remarque que pour assez grad x est das [ l, + [. Das le secod cas o coclut aisémet pour x das ], 0] et das [2, + [. Puis o fixe x das ]0, 1] et o remarque que pour assez grad x est das [ 2, [. Puis o fixe x das ]1, 2[ et o remarque que pour assez grad x est das [ 1 + 1, 2[.

6 J.F.C. Cov. p. 6 III CONVERGENCE EN LOI : DU DISCRET AU DISCRET 1. Quelques caractérisatios. Th. 8 (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O suppose que toutes ses variables aléatoires preet leurs valeurs das N. (X 0 coverge e loi vers X si et seulemet si pour tout élémet k de N : lim P (X = k = P (X = k. Ceci est le résultat du programme. C est bie maigre et impose sas doute de savoir démotrer les quelques résultats complémetaires qui suivet. Th. 9 Complémet (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O suppose que toutes ses variables aléatoires preet leurs valeurs das u esemble fii {x 1, x 2,..., x r }. (X 0 coverge e loi vers X si et seulemet si pour tout élémet k de [1, r ] : lim P (X = x k = P (X = x k. Cor. Complémet (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O suppose que toutes ses variables aléatoires preet leurs valeurs das [a, b] (a et b sot deux élémets de Z tels que a b. (X 0 coverge e loi vers X si et seulemet si pour tout élémet k de [a, b] : lim P (X = k = P (X = k. Th. 10 Complémet (x k k 0 est ue suite strictemet croissate de réels. (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O suppose que toutes ses variables aléatoires preet leurs valeurs das l esemble déombrable {x k k N}. (X 0 coverge e loi vers X si et seulemet si pour tout élémet k de N : lim P (X = x k = P (X = x k.

7 J.F.C. Cov. p. 7 Cor. Complémet (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O suppose que toutes ses variables aléatoires preet leurs valeurs das [r, + [ (r est u élémet de Z. (X 0 coverge e loi vers X si et seulemet si pour tout élémet k de [r, + [ : lim P (X = k = P (X = k. 2. Pratiquemet. PP Soit (X 0 est ue suite de variables aléatoires discrètes réelles sur (Ω, A, P. Pour motrer que cette suite coverge e loi il est pas utile de trouver ue variable aléatoire X telle que (X 0 coverge e loi vers X. Deux voies sot à explorer car la limite peut être discrète ou o discrète. Das le secod cas reveir à ce qui a été dit plus haut. Das le premier cas il coviet, e gros, de trouver ue partie fiie ou déombrable D de R telle que, pour tout élémet d de D la suite de terme gééral P (X = d coverge et de motrer que d lim P (X = d est ue loi de probabilité discrète. Ici ecore u rappel s impose. Déf. 4 O appelle loi de probabilité discrète toute applicatio d ue partie fiie ou déombrable D de R das [0, 1] ou das [0, + [ telle que : f(d = 1 d D Prop. 1 Toute loi de probabilité discrète est la loi de probabilité d ue variable aléatoire réelle discrète. 3. Approximatio 1. Approximatio d ue loi hypergéométrique par ue loi biômiale. Th. 11 p est u élémet de ]0, 1[, est u élémet de N et (N m m 0 est ue suite d élémets de [, + [ telle que : lim m + N m = + et m N, N m p N. O cosidère ue suite (X m m 0 de variables aléatoires réelles sur (Ω, A, P telle que pour tout m apparteat à N, X m H(N m,, p. (X m m 0 coverge e loi vers ue variable aléatoire réelle suivat ue loi biômiale de paramètres et p. ( Autremet dit pour tout élémet k de [0, ] : lim P ({X m = k} = p k (1 p k. m + k PP Ce résultat théorique coduit das la pratique à approximer ue variable aléatoire réelle X suivat ue loi hypergéométrique de paramètres N, et p, par ue variable aléatoire réelle suivat ue loi biômiale de paramètres et p lorsque N est sesiblemet supérieur à 10. Si k est u élémet de X(Ω, o pred ( p k (1 p k comme valeur approchée de P ({X = k} = k Ceci a e outre comme avatage de faire passer de trois paramètres à deux. ( Np k ( N(1 p k ( N

8 J.F.C. Cov. p Approximatio 2. Approximatio d ue loi biômiale par ue loi de Poisso. Th. 12! λ est u réel strictemet positif. Pour tout élémet de N, X est ue variable aléatoire réelle sur (Ω, A, P qui suit ue loi biômiale de paramètres et λ Alors la suite (X 1 coverge e loi vers ue variable aléatoire réelle suivat ue loi de Poisso de paramètre λ. Autremet dit pour tout élémet k de N : lim P ({X = k} = λk k! e λ. Th. 13 Complémet Pour tout élémet de [ 0, + [, p est u élémet de [0, 1] et X ue variable aléatoire réelle sur (Ω, A, P qui suit ue loi biômiale de paramètres et p. O suppose de plus que la suite (p 0 coverge vers u réel strictemet positif λ. Alors la suite (X 0 coverge e loi vers ue variable aléatoire réelle suivat ue loi de Poisso de paramètre λ. Autremet dit pour tout élémet k de N : lim P ({X = k} = λk k! e λ. PP Ce résultat théorique coduit das la pratique à approximer ue variable aléatoire réelle X suivat ue loi biômiale de paramètres et p par ue variable aléatoire réelle suivat ue loi de Poisso de paramètre p lorsque 30, p 0, 1 et p 15 (attetio il y a autat de coditios que d auteurs, mais voir plus bas... Si k est u élémet de X(Ω, o pred (pk e p comme valeur approchée de P ({X = k}. k! Ceci a, e outre, comme avatage de faire passer de deux paramètres à u. 5. Ue remarque du programme à propos des approximatios. Le programme dit que : toutes idicatios devrot être fouries aux cadidats quat à la justificatio des approximatios

9 J.F.C. Cov. p. 9 IV THÉORÈME DE LA LIMITE CENTRÉE 1. Deux éocés du théorème de la limite cetrée. Th. 14 (X 1 est ue suite de variables aléatoires réelles mutuellemet idépedates suivat la même loi ayat ue espérace m et ue variace σ 2 (σ > 0 O pose pour tout élémet de N, S = X 1 + X X. La suite de terme gééral S = S E(S = S E(S V (S σ(s aléatoire réelle suivat ue loi ormale cetrée réduite. = S m σ Aisi, pour tout réel x : lim F S (x = lim P (S x = Φ(x = x coverge e loi vers ue variable 1 2 π e t2 2 dt. Th. 15 (X 1 est ue suite de variables aléatoires réelles mutuellemet idépedates suivat la même loi ayat ue espérace m et ue variace σ 2 (σ > 0 O pose pour tout élémet de N, F = X 1 + X X. La suite de terme gééral F = F E(F = F E(F V (F σ(f aléatoire réelle suivat ue loi ormale cetrée réduite. = F m σ Aisi, pour tout réel x : lim F F (x = lim P (F x = Φ(x = x coverge e loi vers ue variable 1 2 π e t Approximatio 3. Approximatio d ue loi biômiale par ue loi ormale. dt. Th. 16 (X 1 est ue suite de variables aléatoires réelles de beroulli de paramètre p (p ]0, 1[ mutuellemet idépedates. q = 1 p. O pose pour tout élémet de N, S = X 1 + X X. a Pour tout élémet de N, S suit ue loi biômiale de paramètres et p. b La suite de terme gééral S = S p pq ormale cetrée réduite. Aisi, pour tout réel x : lim P ( S p pq coverge e loi vers ue variable aléatoire réelle suivat ue loi x = Φ(x = x 1 2 π e t2 2 dt. Cor. p est u élémet de ]0, 1[. (T 1 est ue suite de variables aléatoires réelles sur (Ω, A, P telle que pour tout das N, T suit ue loi biômiale de paramètres et p. La suite de terme gééral T = T p pq ormale cetrée réduite. Aisi, pour tout réel x : lim P ( T p pq coverge e loi vers ue variable aléatoire réelle suivat ue loi x = Φ(x = x 1 2 π e t2 2 dt. Observos que le corollaire e cotiet pas de coditio d idépedace. Il coviet de savoir le démotrer propremet à partir du théorème.

10 J.F.C. Cov. p. 10 PP Ce résultat théorique coduit das la pratique à approximer ue variable aléatoire réelle X suivat ue loi biômiale de paramètres et p par ue variable aléatoire réelle Y suivat ue loi ormale d espérace p et d écart-type pq (q = 1 p lorsque 20 ou 30, p pas trop petit (!, p 10 et q 10. Das ces coditios Pour tout réel x, o approxime P (X x par P (Y x = F Y (x ; doc ( x p P (X x Φ pq Pour k das [0, ], o approxime P (X = k par P (k 1/2 Y k + 1/2 = F Y (k + 1/2 F Y (k 1/2 ; doc ( k + 1/2 p ( k 1/2 p P (X = k Φ Φ pq pq 3. Approximatio 4. Approximatio d ue loi de Poisso par ue loi ormale. Th. 17 (X 1 est ue suite de variables aléatoires réelles mutuellemet idépedates. O suppose que pour tout élémet de N, X suit ue loi de Poisso de paramètre µ (µ > 0 a S = X 1 + X X suit ue loi de Poisso de paramètre µ. b La suite de terme gééral S = S µ µ loi ormale cetrée réduite. Aisi, pour tout réel x : lim P ( S µ µ coverge e loi vers ue variable aléatoire réelle suivat ue x = Φ(x = x 1 2 π e t2 2 dt. Cor. µ est u élémet de ]0, + [. (T 1 est ue suite de variables aléatoires réelles sur (Ω, A, P telle que pour tout das N, T suit ue loi de Poisso de paramètre µ. La suite de terme gééral T = T µ µ ormale cetrée réduite. Aisi, pour tout réel x : lim P ( T µ µ coverge e loi vers ue variable aléatoire réelle suivat ue loi x = Φ(x = x 1 2 π e t2 2 dt. Observos que le corollaire e cotiet pas de coditio d idépedace. Il coviet de savoir le démotrer propremet à partir du théorème. PP Ce résultat théorique coduit das la pratique à approximer ue variable aléatoire réelle X suivat ue loi de Poisso de paramètre λ par ue variable aléatoire réelle Y suivat ue loi ormale d espérace λ et d écart-type λ lorsque λ > 10.

11 J.F.C. Cov. p. 11 Das ces coditios Pour tout réel x, o approxime P (X x par P (Y x = F Y (x ; doc ( x λ P (X x Φ λ Pour tout élémet k de N, o approxime P (X = k par P (k 1/2 Y k+1/2 = F Y (k+1/2 F Y (k 1/2 ; doc ( k + 1/2 λ ( k 1/2 λ P (X = k Φ Φ λ λ V COMPLÉMENTS 1. De l uicité de la limite das le covergece e probabilité. Th. 18 (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P. X et X deux variables aléatoires réelles sur (Ω, A, P. Si la suite (X 0 coverge e probabilité vers X et X, alors X et X sot presque sûremet égales, c est à dire que P (X = X = Covergece presque sûre. Déf. 5 Soit (X 0 ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. La suite (X 0 coverge presque sûremet vers X s il existe u évéemet égligeable A de A (P (A = 0 tel que : ω Ω A, lim X (ω = X(ω. O écrit alors : X P S X. Déf. 6 Soit (X 0 ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. Si la suite (X 0 coverge presque sûremet vers X alors la suite (X 0 coverge e probabilité vers X. La réciproque est fausse. 3. Loi forte des grads ombres. Th. 19 (X 1 est ue suite de variables aléatoires réelles suivat la même loi ayat ue espérace m et ue variace σ 2. O suppose que les variables aléatoires réelles de cette suite sot deux à deux idépedates. Alors la suite de terme gééral X 1 + X X réelle certaie égale à m. coverge presque sûremet vers la variable aléatoire

12 J.F.C. Cov. p Covergece e probabilité et opératios. Prop. 2 Théorème de Slutsky Soit (X 0 ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. Soit g ue applicatio cotiue de R das R. Si la suite (X 0 coverge e probabilité vers X alors la suite (g X 0 coverge e probabilité vers g X Facile à prouver pourvu que l o sache qu ue foctio cotiue sur u segmet y est uiformémet cotiue. Prop. 3 Soiet (X 0 et (Y 0 deux suites de variables aléatoires réelles sur (Ω, A, P. Soiet X et Y deux variables aléatoires réelles sur (Ω, A, P. a est u réel. O suppose que (X 0 et (Y 0 coverget e probabilité respectivemet vers X et Y. Alors les suites de terme gééraux a X, X + Y et X Y coverget e probabilité respectivemet vers a X, X + Y et X Y.

Chapitre 6 Théorèmes de convergence

Chapitre 6 Théorèmes de convergence Chapitre 6 Théorèmes de covergece 1. La covergece e loi O a déjà recotré ue covergece e loi lors de l approximatio d ue loi biomiale par ue loi de Poisso. Ce problème se place das u cadre plus gééral où

Plus en détail

Convergences et approximations

Convergences et approximations Covergeces et approximatios Probabilités : Chapitre 5 Das tout ce chapitre, les démostratios serot faites das le cas des variables discrètes et des variables à desité. I Iégalité de Bieaymé-Tchebychev

Plus en détail

Introduction aux théorèmes limites et aux intervalles de confiance

Introduction aux théorèmes limites et aux intervalles de confiance Chapitre 5 Itroductio aux théorèmes limites et aux itervalles de cofiace Objectifs du chapitre. Savoir approcher ue loi biomiale par ue loi de Poisso ou ue loi ormale. 2. Savoir approcher ue loi e appliquat

Plus en détail

Quelques notions élementaires de probabilités et statistiques

Quelques notions élementaires de probabilités et statistiques Chapitre 6 Quelques otios élemetaires de probabilités et statistiques 6.1 Probabilités U uivers Ω est u esemble modélisat les réalisatios possibles d ue expériece. U esemble A P(Ω) modélise la otio d évéemet

Plus en détail

Annexe : Leçon 10 - Échantillonnage

Annexe : Leçon 10 - Échantillonnage Aexe : Leço 10 - Échatilloage Clémet BOULONNE pour la sessio 01 I Niveau, prérequis, référeces Niveau BTS Prérequis Probabilités, lois discrètes et cotiues Référeces [1,,, 4, 5] II Coteu de la leço 1 Approximatio

Plus en détail

Convergence en loi. Théorème de la limite centrale.

Convergence en loi. Théorème de la limite centrale. Uiversité Pierre et Marie Curie 2013-2014 Probabilités et statistiques - LM345 Feuille 10 (semaie du 2 au 6 décembre 2013 Covergece e loi. Théorème de la limite cetrale. Covergece e loi 1. Soiet (X N ue

Plus en détail

TD10. Loi des grands nombres, théorème central limite.

TD10. Loi des grands nombres, théorème central limite. Uiversité Pierre & Marie Curie Licece de Mathématiques L3 UE LM345 Probabilités élémetaires Aée 2014 15 TD10. Loi des grads ombres, théorème cetral limite. 1. Soit (U ) 1 ue suite de variables aléatoires

Plus en détail

MVA101 - Analyse et calcul matriciel T. Horsin

MVA101 - Analyse et calcul matriciel T. Horsin MVA101 - Aalyse et calcul matriciel 2012 2013 T. Horsi (thierry.horsi@cam.fr) Attetio: Ce documet est ue base de travail qui peut coteir des coquilles. Les zoes e bleus sot, de loi, hors programme, et

Plus en détail

Divers exercices de probabilité

Divers exercices de probabilité Divers exercices de probabilité Traiter e priorité les quatre premiers exercices de chaque sectio. 1 Probabilité Exercice 1.1 Mo voisi a deux efats. 1- Le plus jeue est ue fille, quelle est la probabilité

Plus en détail

est la fréquence empirique des succès lors des 10 premières expériences.

est la fréquence empirique des succès lors des 10 premières expériences. Pierre Veuillez Statistiques iféretielle Sources, et pour e savoir plus : http://www.math-ifo.uiv-paris5.fr/smel 1 Problématique : Exemple ue ure cotiet des boules rouges et blaches dot o e coaît pas la

Plus en détail

Autour de la loi de Poisson

Autour de la loi de Poisson Agrégatio Itere de Mathématiques Thierry Champio séace du 25 ovembre 2016 Autour de la loi de Poisso Notatios - Itroductio Das tout ce problème, (Ω, T, P) est u espace probabilisé. Toutes les variables

Plus en détail

Résumé 10 : Probabilités I

Résumé 10 : Probabilités I http://mpbertholletwordpresscom Résumé 10 : Probabilités I Ω sera u esemble abstrait, c est-à-dire sas structure particulière P(Ω désige l esemble de tous les sous-esembles de Ω, y compris le sous-esemble

Plus en détail

D- Convergence de variables aléatoires

D- Convergence de variables aléatoires D-1 Notatios O cosidère ( ) N (évetuellemet (Y ) N ) ue suite de variables aléatoires défiies sur l espace probabilisé (Ω, A, ) et X (évetuellemet Y ) ue variable aléatoire défiie sur le même espace. O

Plus en détail

Opérations sur les variables aléatoires Lois limites

Opérations sur les variables aléatoires Lois limites Opératios sur les variables aléatoires Lois limites A. Idépedace de deux variables aléatoires. Exemple 1. Pour améliorer le stockage d u produit u supermarché fait ue étude sur la vete de packs de 6 bouteilles

Plus en détail

Éléments de probabilités

Éléments de probabilités Chapitre 1 Élémets de probabilités 1.1 Notio d expériece aléatoire Défiitio 1 Ue expériece, dot o coait les issues possibles, est appelé expériece aléatoire s il est impossible de savoir à l avace quelle

Plus en détail

C.1- Lois discrètes- Loi uniforme

C.1- Lois discrètes- Loi uniforme C- Lois usuelles C.1- Lois discrètes- Loi uiforme Loi d ue variable aléatoire X preat ses valeurs das {1,,} avec la même probabilité: 1 P ( X = x ) = x {1,,... } Ex : E=«lacer d u dé régulier» X=uméro

Plus en détail

Université Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Année Examen du 13 mai 2015

Université Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Année Examen du 13 mai 2015 Uiversité Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Aée 2014-15 Exame du 13 mai 2015 Le sujet comporte 2 pages. L épreuve dure 2 heures. Les documets, calculatrices et téléphoes

Plus en détail

Chapitre Rappels sur les suites

Chapitre Rappels sur les suites Chapitre Séries umériques. Rappels sur les suites Défiitio.. (i) Ue suite (a ) N de réels (ou de complexes) est covergete vers ue limite a si pour tout ε > 0, il existe 0 N tel que pour tout 0, o a a a

Plus en détail

CH V : Variables aléatoires - généralités

CH V : Variables aléatoires - généralités CH V : Variables aléatoires - gééralités I. Notio de variable aléatoire réelle Soit (Ω, A ) u espace probabilisable. O dit que X est ue variable aléatoire réelle défiie sur (Ω, A ) si : (i) X est ue applicatio

Plus en détail

Suites de variables aléatoires.

Suites de variables aléatoires. Uiversité Pierre et Marie Curie 200-20 Probabilités et statistiques - LM345 Feuille 8 Suites de variables aléatoires.. Soit Ω, F, P u espace de probabilités. Détermier pour chacue des covergeces suivates

Plus en détail

EPREUVE SPECIFIQUE FILIERE MP MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont autorisées. * * *

EPREUVE SPECIFIQUE FILIERE MP MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont autorisées. * * * SESSION 006 EPREUVE SPECIIQUE ILIERE MP MATHEMATIQUES Durée : 4 heures Les calculatrices sot autorisées * * * NB : Le cadidat attachera la plus grade importace à la clarté, à la précisio et à la cocisio

Plus en détail

Probabilités générales

Probabilités générales Chapitre 4 termiale s Probabilités géérales Les probabilités (rappels) : ) Quelques otios de vocabulaire : Nous allos étudier selo quelle mesure u fait proveat du hasard peut être prévisible a) Ue expériece

Plus en détail

Calcul des probabilités 2 (M-2.1)

Calcul des probabilités 2 (M-2.1) Calcul des probabilités (M-.) I. Probabilités sur u esemble fii. Défiitios Défiitio Ue expériece aléatoire est ue expériece dot il est impossible de prévoir l issue (mais o coaît toutes les issues possibles)

Plus en détail

Probabilités : programme pour le concours EDHEC AST1

Probabilités : programme pour le concours EDHEC AST1 : programme pour le cocours EDHEC AST1 1 Espaces de probabilité Défiitio. O fixe u esemble Ω qui sera esuite appelé l uivers. O appelle tribu, ou σ-algèbre sur Ω tout esemble F de parties de Ω (aisi F

Plus en détail

Séries à termes positifs

Séries à termes positifs Séries à termes positifs Das toute la suite N désigera les etiers aturels positifs 0,,,..., Z tous les etiers aturels...,,, 0,,, 3,... et Q les ombres ratioels. Efi R désigera les réels, et C les complexes.

Plus en détail

Filière Sciences de Matières Physiques (SMP4) Module Mathématiques : Analyse (S4) Cours d Analyse

Filière Sciences de Matières Physiques (SMP4) Module Mathématiques : Analyse (S4) Cours d Analyse UNIVERSITÉ MOHAMMED V - AGDAL Faculté des Scieces Départemet de Mathématiques Filière Scieces de Matières Physiques (SMP4) Module Mathématiques : Aalyse (S4) Cours d Aalyse Séries umériques Suites et Série

Plus en détail

SUITES et SERIES DE FONCTIONS

SUITES et SERIES DE FONCTIONS UE7 - MA5 : Aalyse SUITES et SERIES DE FONCTIONS I Suites de foctios à valeurs das È ou  Etat doé u esemble E, ue suite de foctios umériques défiies sur E est la doée, pour tout etier, d'ue applicatio

Plus en détail

Annexe I. Théorie des tests : Rappel très simplifié sur un exemple.

Annexe I. Théorie des tests : Rappel très simplifié sur un exemple. Théorie des tests : Rappel très simplifié sur u exemple. Aexe I Test de l efficacité d u remède sur des malades atteit d u rhume. p 0 : probabilité de guérir das les huit jours avec u placebo p 1 : probabilité

Plus en détail

Analyse 5 SUITES REELLES

Analyse 5 SUITES REELLES Aalyse chap 5 /6. GENERALITES SR LES SITES. Défiitios Défiitio : e suite est ue foctio, défiie sur ue partie D de. O ote () =, o lit «idice». O dit que est le terme gééral de la suite, ou terme de rag.

Plus en détail

LES MOINDRES CARRÉS. Table des matières. 1. Justification de la méthode des moindres carrés

LES MOINDRES CARRÉS. Table des matières. 1. Justification de la méthode des moindres carrés LES MOINDRES CARRÉS OLIVIER CASTÉRA Résumé. La méthode des moidres carrés repose sur u fodemet probabiliste sérieux. Table des matières 1. Justificatio de la méthode des moidres carrés 1 2. Caractéristiques

Plus en détail

1 lois usuelles. 2 Estimation. 1.1 Loi Binomiale. 1.2 Loi de Poisson. 1.3 Loi normale. 2.1 Estimation ponctuelle de la moyenne

1 lois usuelles. 2 Estimation. 1.1 Loi Binomiale. 1.2 Loi de Poisson. 1.3 Loi normale. 2.1 Estimation ponctuelle de la moyenne 1 lois usuelles 11 Loi Biomiale B(, p) q = 1 p p(x = k) = C k p k q k Espérace E(X) = p Variace : V ar(x) = pq Écart type : σ = pq 12 Loi de Poisso P(λ) : loi de Poisso de paramètre λ > 0 : X(Ω) = N λ

Plus en détail

Laurent Garcin MPSI Lycée Jean-Baptiste Corot. u k

Laurent Garcin MPSI Lycée Jean-Baptiste Corot. u k SÉRIES NUMÉRIQUES K désige le corps R ou C. Gééralités. Défiitios Défiitio. Série Soit (u ) 0 ue suite umérique (i.e. à valeurs das K). O appelle série de terme gééral u la suite (S ) 0 où 0, S = u k Cette

Plus en détail

Convergence de suites réelles

Convergence de suites réelles DOMAINE : No olympique AUTEUR : Nicolas SÉGARRA NIVEAU : Itermédiaire STAGE : Motpellier 2014 CONTENU : Cours et exercices Covergece de suites réelles I) Rappels et otios de base. Défiitio 1. Ue suite

Plus en détail

Partie I : Résultats généraux sur les matrices stochastiques - Illustrations

Partie I : Résultats généraux sur les matrices stochastiques - Illustrations 8-8- JFC p EM LYON S JF COSSUTTA Lycée Marceli BERTHELOT SAINT-MAUR jea-fracoiscossutta@waadoofr PROBLÈME Partie I : Résultats gééraux sur les matrices stochastiques - Illustratios Remarque Das la suite

Plus en détail

Limites de suites et de fonctions

Limites de suites et de fonctions TermS Limites de suites et de foctios I ] Suites ) Défiitio : Ue suite réelle est ue foctio de! das!, défiie à partir d'u certai rag 0. Notatio : u = lire "u idice " = terme d'idice, ou de rag = terme

Plus en détail

Correction de l exercice 1

Correction de l exercice 1 IUT Orsa Iformatique S3 Correctio de l exercice. Ω est l esemble des résultats possibles de l experiece aléatoire lacer u dé à faces : Ω {,, 3,,, }, et Ω.. Si k Ω sort, le gai du jeu est k euros. Doc la

Plus en détail

Espaces probabilisés.

Espaces probabilisés. Espaces probabilisés Chapitre 6 : otes de cours Esembles déombrables Esemble fii, (hors programme) esemble ifii Esemble déombrable Eumératio des élémets d u esemble fii ou déombrable Produit cartésie d

Plus en détail

X 1 = { X si X est impair 0 sinon

X 1 = { X si X est impair 0 sinon Corrigé ECRICOME 998 par Pierre Veuillez Das tout le problème, X désige ue variable aléatoire défiie sur u espace probabilisé (Ω, A, P et à valeurs das N et E(X l espérace de X si elle eiste. O ote A l

Plus en détail

Échantillonnage. I Rappels sur les lois usuelles 2

Échantillonnage. I Rappels sur les lois usuelles 2 BTS DOMOTIQUE Échatilloage 2008-2010 Échatilloage Table des matières I Rappels sur les lois usuelles 2 II Approximatios de la loi biomiale 2 II.1 Approximatio par la loi de poisso................................

Plus en détail

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques Variables discrètes fiies - Exercices pratiques Exercice 1 - Loi d u dé truqué - Deuxième aée - 1. X pred ses valeurs das {1,..., 6}. Par hypothèse, il existe u réel a tel que P (X k) ka. Maiteat, puisque

Plus en détail

Résumé : Probabilités Niveau : Bac Sciences de l informatique Réalisé par : Prof. Benjeddou Saber

Résumé : Probabilités Niveau : Bac Sciences de l informatique Réalisé par : Prof. Benjeddou Saber Résumé : Niveau : Bac Scieces de l iformatique Réalisé par : Prof. Bejeddou Saber Tableau récapitulatif sur le déombremet: Type du tirage : Simultaé Successif sas remise Successif avec remise U tirage

Plus en détail

i la moyenne empirique de X n n v =

i la moyenne empirique de X n n v = Corrigé Statistiques iféretielle par par Pierre Veuillez Itervalle de cofiace. Exercice Détermier ue valeur approchée de la loi de la moyee empirique : E X E X, V X V X doc X N E X, V X Exercices. Variace

Plus en détail

Estimation paramétrique

Estimation paramétrique Retour au pla du cours Soit Ω, A, P u espace probabilisé et X ue v.a. de Ω, A das E, E. La doée d u modèle statistique c est la doée d ue famille de probabilités sur E, E, {P θ, θ Θ}. Le modèle état doé,

Plus en détail

Sup Galilée - Maths pour l Ingénieur Corrigé du Partiel du 19 Novembre 2008

Sup Galilée - Maths pour l Ingénieur Corrigé du Partiel du 19 Novembre 2008 Sup Galilée - Maths pour l Igéieur Corrigé du Partiel du 9 Novembre 008 Étude d ue suite récurrete Soit u 0 ]0, [ O cosidère la suite (u ) défiie par u + u 3 u ) Justifier que la suite u est borée O motre

Plus en détail

1 Lois des grands nombres. 2 Théorème central-limite. 3 Estimation ponctuelle à partir d échantillons. 4 Biais dans les estimations

1 Lois des grands nombres. 2 Théorème central-limite. 3 Estimation ponctuelle à partir d échantillons. 4 Biais dans les estimations Pla du cours 2 RFIDEC cours 2 : Échatillos, estimatios poctuelles Christophe Gozales LIP6 Uiversité Paris 6, Frace 1 Lois des grads ombres 2 Théorème cetral-limite 3 Estimatio poctuelle à partir d échatillos

Plus en détail

SERIES NUMERIQUES réelles ou complexes

SERIES NUMERIQUES réelles ou complexes UE7 - MA5 : Aalyse SERIES NUMERIQUES réelles ou complexes I. Gééralités Défiitio Etat doée ue suite (u ) de ombres réels ou complexes, o appelle série de terme gééral u la suite (S ) défiie par : () S

Plus en détail

12 Cours - Suites.nb 1/11. Suites

12 Cours - Suites.nb 1/11. Suites 12 Cours - Suites.b 1/11 Suites I) Gééralités 1) Défiitio 2) Notatio 3) Commet peut être défiie ue suite 4) Suites et ordre 5) Propriété vraie à partir d u certai rag 6) Exercice 7) Suites arithmétiques,

Plus en détail

Corrigé : EM Lyon 2005

Corrigé : EM Lyon 2005 Corrigé : EM Lyo 5 Optio écoomique Eercice :. Par défiitio de E, la famille (I,J,K) est ue famille géératrice de E. Cette famille est-elle libre? O cherche tous les réels a, b et c tels que : ai +bj +ck

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I CHAMBRE DE COMMERCE ET D INDUSTRIE DE PARIS DIRECTION DE L ENSEIGNEMENT Directio des Admissios et cocours ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON CONCOURS

Plus en détail

P(n) : quelque soit n entier naturel : n 3 = ( n) 2. P(n 0 ) est vraie (initialisation).

P(n) : quelque soit n entier naturel : n 3 = ( n) 2. P(n 0 ) est vraie (initialisation). T ale S Chapitre. Résumé page 3.. Pricipe de récurrece. a. Exemple. 3 + 3 = + 8 = 9 = ( + ) 3 + 3 + 3 3 = + 8 + 7 = 36 = ( + + 3) O voudrait démotrer la propriété géérale : P() : quelque soit etier aturel

Plus en détail

1 Séries numériques. 1.1 Généralités. Dans toute cette section, si cela n est pas précisé, E désignera l espace R m, m 1, et la norme euclidienne.

1 Séries numériques. 1.1 Généralités. Dans toute cette section, si cela n est pas précisé, E désignera l espace R m, m 1, et la norme euclidienne. 1 Séries umériques Das toute cette sectio, si cela est pas précisé, E désigera l espace R m, m 1, et la orme euclidiee. 1.1 Gééralités Défiitio 1.1. Soit (x ) N ue suite de E et pour chaque N, o défiit

Plus en détail

Sylvain ETIENNE 2003/2004 PLC1, groupe 1 Exposé 64

Sylvain ETIENNE 2003/2004 PLC1, groupe 1 Exposé 64 Sylvai ETIENNE 3/4 IMAGE D UN INTERVALLE PAR UNE FONCTION CONTINUE, IMAGE D UN SEGMENT. CONTINUITE DE LA FONCTION RECIPROQUE D UNE FONCTION CONTINUE STRICTEMENT MONOTONE SUR UN INTERVALLE. Niveau : Complémetaire.

Plus en détail

1 Propriétés - Suites monotones

1 Propriétés - Suites monotones Uiversité d Aix-Marseille Licece de Mathématiques Semestre 06-07 Aalyse Plache - Suites umériques Propriétés - Suites mootoes Exercice Soiet les suites défiies, pour tout, par u = et v = Vérifier qu elles

Plus en détail

EPREUVE SPECIFIQUE - FILIERE PC MATHEMATIQUES. Mardi 3 mai : 14 h - 18 h. Les calculatrices sont interdites

EPREUVE SPECIFIQUE - FILIERE PC MATHEMATIQUES. Mardi 3 mai : 14 h - 18 h. Les calculatrices sont interdites SESSION 216 PCMA2 EPREUVE SPECIFIQUE - FILIERE PC MATHEMATIQUES Mardi 3 mai : 14 h - 18 h N.B. : le cadidat attachera la plus grade importace à la clarté, à la précisio et à la cocisio de la rédactio.

Plus en détail

b) Calculer la dérivée de la fonction. La fonction est dérivable sur comme quotient de deux fonctions dérivables sur.

b) Calculer la dérivée de la fonction. La fonction est dérivable sur comme quotient de deux fonctions dérivables sur. DST 6 Correctio Exercice 1 (5 poits) (Asie, jui 11) Le pla est rapporté à u repère orthoormal. 1) Étude d ue foctio. O cosidère la défiie sur l itervalle par. O ote la foctio dérivée de la foctio sur l

Plus en détail

TS Limites de suites (3)

TS Limites de suites (3) TS Limites de suites (3) I. Rappels sur les suites majorées, miorées, borées ) Défiitio (suite majorée, miorée, borée) 5 ) Propriété Si u réel M est u majorat d ue suite u, alors tous les réels supérieurs

Plus en détail

INÉGALITÉS DE MARKOV ET DE CHEBISHEV LOI FAIBLE DES GRANDS NOMBRES

INÉGALITÉS DE MARKOV ET DE CHEBISHEV LOI FAIBLE DES GRANDS NOMBRES Iégalités de Markov et de Chebishev - Loi faible des grads ombres versio du 11 avril 2014 35 8 INÉGALITÉS DE MARKOV ET DE CHEBISHEV LOI FAIBLE DES GRANDS NOMBRES 1 Iégalité de Markov. 8.1 Iégalité de Markov.

Plus en détail

Feuille d Exercices : Suites, suite!

Feuille d Exercices : Suites, suite! ECS 1 Dupuy de Lôme Semaie du 6 décembre 004 Feuille d Exercices : Suites, suite! Exercice 1 : Pour tout etier, o défiit u = 1. Motrez que u est mootoe.. Motrez que v est géométrique. k= 3. E déduire l

Plus en détail

ESTIMATION Exercices

ESTIMATION Exercices ESTIMATION Exercices EERCICE : Les variables aléatoires cosidérées das cet exercice sot défiies sur u espace probabilisable, AP, Soit a u réel strictemet positif et ue variable aléatoire de loi uiforme

Plus en détail

Partie I - Suites et intégrales

Partie I - Suites et intégrales SESSION 16 Cocours commu Cetrale MATHÉMATIQUES. FILIERE MP I.A - Étude d ue itégrale à paramètres Partie I - Suites et itégrales I.A - 1 Soit φ : [, + [ ], + [ R de sorte que pour tout réel x, fx = Φx,t.

Plus en détail

Terminale S Chapitre 2 : Fonctions, continuité et TVI Page 1 sur 5 ( ) = ( )

Terminale S Chapitre 2 : Fonctions, continuité et TVI Page 1 sur 5 ( ) = ( ) Termiale S Chapitre : Foctios, cotiuité et TVI Page sur 5 Ce que dit le programme : Défiitio Soiet f ue foctio défiie sur u itervalle I de R et a = O dit que f est cotiue e a si lim f x f a O dit que f

Plus en détail

Tests. Chapitre 2. 1 Principe d un test Définitions Méthode générale... 3

Tests. Chapitre 2. 1 Principe d un test Définitions Méthode générale... 3 Tests Chapitre Table des matières 1 Pricipe d u test 1 11 Défiitios 1 Méthode géérale 3 Test de coformité à u paramètre 3 1 Test de coformité à ue moyee 3 Test de coformité à ue proportio 4 3 Test d homogééité

Plus en détail

Expérience aléatoire - modélisation - langage des probabilités

Expérience aléatoire - modélisation - langage des probabilités T.S Probabilités coditioelles L 5 I Expériece aléatoire - modélisatio - lagage des probabilités Ue expériece aléatoire est ue expériece liée au hasard. Les mathématiques itervieet pour apporter u modèle

Plus en détail

BACCALAUREAT GENERAL. Bac blanc n 4 Mercredi 7 Mai 2014 MATHEMATIQUES. Série : S Enseignement Obligatoire ou de Spécialité

BACCALAUREAT GENERAL. Bac blanc n 4 Mercredi 7 Mai 2014 MATHEMATIQUES. Série : S Enseignement Obligatoire ou de Spécialité BACCALAUREAT GENERAL Bac blac 4 Mercredi 7 Mai 4 MATHEMATIQUES Série : S Eseigemet Obligatoire ou de Spécialité Durée de l épreuve : 4 heures Coefficiet : 7 ou 9 L utilisatio de la calculatrice est autorisée

Plus en détail

Loi des grands nombres.

Loi des grands nombres. Uiversité Pierre et Marie Curie 213-214 Probabilités élémetaires - LM345 Feuille 9 (semaie du 25 au 29 ovembre 213) Loi des grads ombres. 1. Soit (U ) 1 ue suite de variables aléatoires idépedates toutes

Plus en détail

SOLUTIONS AUX EXERCICES DE LA FEUILLE 1

SOLUTIONS AUX EXERCICES DE LA FEUILLE 1 SOLUTIONS AUX EXERCICES DE LA FEUILLE. Exercice. Ue suite de réels positifs qui coverge vers 0 est décroissate à partir d u certai rag. C est faux. Pour costruire u cotre-exemple, o pourrait cosidérer

Plus en détail

x k, 2 : x k 1 n x x 1

x k, 2 : x k 1 n x x 1 SMIA/S3 ANALYSE 3 AALAMI IDRISSI et EZEROUALI Chapitre 5 FONCTIONS DE IR DANS IR p I) NOTIONS DE TOPOLOGIE SUR IR 1) Normes sur IR : a) Défiitio: O appelle orme sur toute applicatio x x de das telle que

Plus en détail

Master 1 Métiers de l Enseignement, Mathématiques - ULCO, La Mi-Voix, 2012/2013

Master 1 Métiers de l Enseignement, Mathématiques - ULCO, La Mi-Voix, 2012/2013 Master Métiers de l Eseigemet, Mathématiques - ULCO, La Mi-Voix, 202/203 ANALYSE 2 Fiche de Mathématiques 4 - Séries umériques Soit E u espace vectoriel sur le corps K = R ou C Pour toute famille fiie

Plus en détail

CONCOURS BLANC 1 SCI 2

CONCOURS BLANC 1 SCI 2 CONCOURS BLANC SCI Durée : 4 heures Aucu istrumet de calcul est autorisé Aucu documet est autorisé Les étudiats sot ivités à soiger la présetatio de leur copie EXERCICE : CCP 05 CCP : cocours commus polytechiques

Plus en détail

Suites numériques. I/ Définition, propriétés globales Résumé du cours de MPSI

Suites numériques. I/ Définition, propriétés globales Résumé du cours de MPSI Ξ 2 Suites umériques 2016-2017 Résumé du cours de MPSI I/ Défiitio, propriétés globales 1/ Défiitio Ue suite de complexes u est ue applicatio de N das C Notatios : L'image d'u etier par u se ote u( ou

Plus en détail

Séance 2 : Estimateurs convergents, non biaisés et exhaustifs.

Séance 2 : Estimateurs convergents, non biaisés et exhaustifs. Exercice Séace 2 : Estimateurs covergets, o biaisés et exhaustifs. Soiet les variables aléatoires X i i =,..., i.i.d. Motrez que S 2 = X i X 2 est u estimateur o biaisé de σ 2, où σ 2 = V ar[x ]. O utilise

Plus en détail

Chapitre 1. Modélisation statistique. 1.1 Exemple du jeu de pile ou face

Chapitre 1. Modélisation statistique. 1.1 Exemple du jeu de pile ou face Chapitre 1 Modélisatio statistique 1.1 Exemple du jeu de pile ou face Ue pièce a ue probabilité icoue θ 0 ]0,1[ de tomber sur pile. Sur les 1000 lacers réalisés idépedammet les us des autres, 520 piles

Plus en détail

Chapitre 1. Les suites numériques Principe de récurrence Limite d une suite

Chapitre 1. Les suites numériques Principe de récurrence Limite d une suite Eseigemet spécifique Chapitre 1. Les suites umériques Pricipe de récurrece Limite d ue suite I. Rappels sur les suites umériques 1. géérale Ue suite umérique est ue foctio défiie de N vers R, elle peut

Plus en détail

Limites de suites, cours, terminale S

Limites de suites, cours, terminale S Limites de suites, cours, termiale S Covergece de suites Déitio : Soit (u ) ue suite. O dit que (u ) coverge vers u réel l ou a pour limite l lorsque tout itervalle ouvert A coteat l, cotiet tous les termes

Plus en détail

Correction Exercices Chapitre 08 - Couples de variables aléatoires réelles discrètes

Correction Exercices Chapitre 08 - Couples de variables aléatoires réelles discrètes 08. O dispose de boîtes umérotées de à. La boîte k cotiet k boules umérotées de à k. O choisit au hasard ue boîte, puis ue boule das cette boîte. Soit X le uméro de la boîte et Y le uméro de la boule..

Plus en détail

Lois normales. Intervalle de fluctuation. Estimation.

Lois normales. Intervalle de fluctuation. Estimation. Lois ormales. Itervalle de fluctuatio. Estimatio.. Loi ormale cetrée réduite... p. Théorème de Moivre-Laplace... p 3. Loi ormale (µ ; σ²)... p3 Copyright meilleuremaths.com. Tous droits réserwidevec{}vés

Plus en détail

Éléments de correction de la feuille d exercices # 3

Éléments de correction de la feuille d exercices # 3 Uiversité de Rees L SVE Probabilités et statistiques aée 25-26 Élémets de correctio de la feuille d exercices # 3 Exercice Exemple de loi discrète Soit X ue variable aléatoire discrète preat les valeurs

Plus en détail

Chaînes de Markov jeudi 7 novembre 2013

Chaînes de Markov jeudi 7 novembre 2013 Chaîes de Markov jeudi 7 ovembre 203. Opératios sur les chaîes de Markov. Soit (X ) N et (Y N ) deux chaîes de Markov d espaces d états respectifs X et Y, et de matrices de trasitios respectives P et Q.

Plus en détail

Suites de réels. Contents. 1 Retenez au moins ça 3

Suites de réels. Contents. 1 Retenez au moins ça 3 Suites de réels Cotets 1 Reteez au mois ça 3 Bore supérieure 3.1 Déitios.......................................... 3.1.1 Relatio d'ordre sur u esemble E....................... 3.1. Ordre total.....................................

Plus en détail

Exercices sur le chapitre «Variables aléatoires»

Exercices sur le chapitre «Variables aléatoires» Araud de Sait Julie - MPSI Lycée La Merci 2015-2016 1 Pour démarrer Exercices sur le chapitre «Variables aléatoires» Exercice 1 (Recostitutio de paires) O fixe deux etiers aturels 1 r. U placard cotiet

Plus en détail

C.B. Analyse : solutions

C.B. Analyse : solutions l( ) ) La foctio f C.B. Aalyse : solutios Partie I : Etude de la foctio L a) Par théorème géérau, f est de classe C sur ], [ {}. E, o motre simultaémet les deu propriétés e obteat u D.L. de f e. O sait

Plus en détail

Baccalauréat S Nouvelle-Calédonie 7 mars 2014 Corrigé

Baccalauréat S Nouvelle-Calédonie 7 mars 2014 Corrigé Baccalauréat S Nouvelle-Calédoie 7 mars 4 Corrigé A. P. M. E. P. EXERCICE 4 poits Commu à tous les cadidats Aucue justificatio était demadée das cet exercice.. Répose b. : 4e i π Le ombre i a pour écriture

Plus en détail

1.Définition. L image par f de l entier n est le terme général de la suite noté : u n = f(n).

1.Définition. L image par f de l entier n est le terme général de la suite noté : u n = f(n). SUITES ET SERIES SUITES 1.Défiitio O appelle site esemble de ombres 1, 2,... défiis das l ordre croissat et vérifiat certaies règles de défiitio. Chaqe ombre de la site s appelle terme, est par exemple

Plus en détail

GRAPHES ALÉATOIRES D ERDÖS-RÉNYI

GRAPHES ALÉATOIRES D ERDÖS-RÉNYI GRAPHES ALÉATOIRES D ERDÖS-RÉNYI U grad réseau de commuicatio (iteret, Facebook, etc.) est modélisé par u graphe G = (V, E), dot les sommets v V sot les agets de ce réseau, et dot les arêtes e = {u, v}

Plus en détail

Correction de la question de cours 1

Correction de la question de cours 1 Math I Aalyse Exame du 9 décembre 2007 Durée 2 heures Aucu documet est autorisé. Les calculatrices, téléphoes portables et autres appareils électroiques sot iterdits. Il est iutile de recopier les éocés.

Plus en détail

x + (2 α) y = 0 3 L donc P

x + (2 α) y = 0 3 L donc P 1 Corrigé ESC 009 par Pierre Veuillez Exercice 1 O cosidère les matrices A, B, D, P, E de M (R) suivates : ( ) 5 1 4 ( ) A B 3 3 1 3 0 7 D P 3 3 ( ) { x (1 α) x y 0 1) a: (A αi) 0 y x + ( α) y 0 ( 1 )

Plus en détail

3.1 Loi de Bernouilli Loi Binomiale Loi géométrique Loi de Pascal (loi négative binomiale)...3

3.1 Loi de Bernouilli Loi Binomiale Loi géométrique Loi de Pascal (loi négative binomiale)...3 3- Lois de distributio discrètes -1 Chapitre 3 : Lois de distributio discrètes 3.1 Loi de Berouilli...1 3. Loi Biomiale...1 3.3 Loi géométrique... 3.4 Loi de Pascal (loi égative biomiale)...3 3.5 Loi hypergéométrique...4

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable. k n) X k (1 X) n k.

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable. k n) X k (1 X) n k. Exo7 Suites et séries de foctios Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable

Plus en détail

1 ) si la suite (u n ) diverge, alors la suite ((u n) )... n... n+2

1 ) si la suite (u n ) diverge, alors la suite ((u n) )... n... n+2 Javier 06 ( heures et 30 miutes). a) Défiir: - sous-esemble fermé de IR et sous-esemble ouvert de IR - poit itérieur de A, sous-esemble o vide de IR ( pt.) b) Démotrer que si A est u esemble ouvert, alors

Plus en détail

Compléments sur les suites Suites adjacentes

Compléments sur les suites Suites adjacentes DERNIÈRE IMPRESSION LE 7 février 07 à 6:3 Complémets sur les suites Suites adjacetes I Ecadremet d ue suite EXERCICE ) Motrer que pour tout k N et pour tout x [k ; k+], o a : k+ k+ k x dx k ) O pose u

Plus en détail

Limite d'une suite. soit n > 9

Limite d'une suite. soit n > 9 Limite d'ue suite I) Limite d'ue suite : a) ite ifiie : défiitio : Ue suite (u ) a pour ite + quad ted vers + si tout itervalle de la forme ]A; +[ (A état u réel) cotiet tous les termes u à partir d'u

Plus en détail

Exercices d oraux de la banque CCP Corrigés BANQUE PROBABILITÉS

Exercices d oraux de la banque CCP Corrigés BANQUE PROBABILITÉS Exercices d oraux de la baque CCP 204-20 - Corrigés BANQUE PROBABILITÉS EXERCICE 96 (a La variable aléatoire X est régie par ue loi biomiale E effet, expérieces idetiques et idépedates (car les tirages

Plus en détail

Note sur le comportement en l infini d une fonction intégrable

Note sur le comportement en l infini d une fonction intégrable Note sur le comportemet e l ifii d ue foctio itégrable Emmauel Lesige To cite this versio: Emmauel Lesige. Note sur le comportemet e l ifii d ue foctio itégrable. 2008. HAL Id: hal-00276738

Plus en détail

CHAPITRE II. - Séries à termes réels positifs ou nuls. III-Séries - à termes quelconques. Définition.

CHAPITRE II. - Séries à termes réels positifs ou nuls. III-Séries - à termes quelconques. Définition. CHAPITRE II Séries umériques I II - Défiitios et propriétés géérales - Séries à termes réels positifs ou uls III-Séries - à termes quelcoques I-Défiitios et propriétés géérales Défiitio. Soit (u N ue suite

Plus en détail

SÉRIES DE FONCTIONS SUITES ET PC*2. 13 octobre octobre octobre 2004

SÉRIES DE FONCTIONS SUITES ET PC*2. 13 octobre octobre octobre 2004 3 octobre 2004 Exemple 2. O se doe a I et q C(I, K). L équatio différetielle liéaire : y (x) q(x) y(x) = 0 avec les coditios y(a) = α, y (a) = β SUITES ET SÉRIES DE FONCTIONS PC*2 3 octobre 2004 Admet

Plus en détail

Corrigé Epreuve B Agro Véto 2010

Corrigé Epreuve B Agro Véto 2010 Corrigé Epreuve B Agro Véto 21 Corrigé proposé par Martie Giestet BCPST2 Féelo dessis de Bruo Aselme Féelo Partie A Loi gamma 1. a) Par croissaces comparées, lim t!+1 t 1 e t=2 =, doc il existe u réel

Plus en détail

Chapitre 5 : Suites classiques

Chapitre 5 : Suites classiques Chapitre 5 : Suites classiques Objectifs : Révisios sur les suites arithmétiques et géométriques. Révisio du théorème de croissace comparée. Savoir exprimer e foctio de les termes d ue suite récurrete

Plus en détail

CHAPITRE 2 : Estimation non-paramétrique 1. Estimateurs empiriques

CHAPITRE 2 : Estimation non-paramétrique 1. Estimateurs empiriques CHAPITRE 2 : Estimatio o-paramétrique 1. Estimateurs empiriques Soit u échatillo i.i.d. de durées T i i1,..., de foctio de survie S Défiitio: L estimateur empirique de la foctio de survie est S x 1 i1

Plus en détail

Covariance et ajustement affine par la méthode des moindres carrés

Covariance et ajustement affine par la méthode des moindres carrés Uiversité de Poitiers - 205-206 A. Moreau Algèbre - Géométrie M MEEF Covariace et ajustemet affie par la méthode des moidres carrés Das tout le documet, la lettre désige u etier aturel o ul. Les deux parties

Plus en détail

Lois normales et autres lois dérivées

Lois normales et autres lois dérivées Lois ormales et autres lois dérivées - Lois ormales a) - Défiitio O dit qu'ue variable aléatoire réelle X suit la loi ormale (ou gaussiee) de paramètres et, otée N ( ; ), si elle admet pour desité la foctio

Plus en détail