Chapitre I Chaînes de Markov

Dimension: px
Commencer à balayer dès la page:

Download "Chapitre I Chaînes de Markov"

Transcription

1 Chapitre I Chaînes de Markov 1. 1 Exercices d introduction La météo... On suppose que dans une certaine contrée, le temps chaque jour est fonction (avec un élément de hasard) de celui de la veille et pas de celui des jours précédents. On fait les hypothèses suivantes : Il n y a que deux types de temps, beau et mauvais. S il fait beau un jour, la probabilité pour qu il fasse beau le lendemain est 3/4. S il fait mauvais un jour, la probabilité pour qu il fasse beau le lendemain est 1/3. On désigne par p n et q n les probabilités respectives pour qu il fasse beau et mauvais le jour numéro n. 1 Calculer p n+1 en fonction de p n. En déduire p n en fonction de p 0. 2 Montrer que, quelle que soit la valeur de p 0, (p n, q n ) tend vers (a, b) quand n tend vers l infini, où (a, b) est l unique vecteur propre de la matrice Π = associé à la valeur propre 1 et vérifiant a + b = 1. 3 Simulation On désigne par b n le nombre de jours de beau temps entre le jour numéro 0 et le jour numéro n. Vérifier par simulation que b n p.s., lim n n + 1 = a Promenade aléatoire sur un triangle On considère un triangle ABC. Un point aléatoire M n se trouve à chaque instant n en l un des trois sommets du triangle. Indépendamment de la façon dont il a atteint le sommet i où il se trouve à l instant n, il a une probabilité 1/2 de se trouver en chacun des deux sommets j adjacents à l instant n + 1. On note cette probabilité p i,j. On a donc 1 si i j p i,j = 2 0 si i = j 1

2 On désigne par a, b, c les probabilités pour que M 0 = A, B, C, respectivement. Pour tout entier n 0, on pose p n (A) = p(m n = A), p n (B) = p(m n = B), p n (C) = p(m n = C) On a donc (a, b, c) = (p 0 (A), p 0 (B), p 0 (C)). 1 Calculer (p 1 (A), p 1 (B), p 1 (C)) en fonction de (a, b, c) (on privilégiera une écriture matricielle). 2 En déduire une expression matricielle de (p n (A), p n (B), p n (C)) en fonction de (a, b, c). La matrice Π = s appelle la matrice de transition de la chaîne de Markov (M n ) n. 3 Diagonaliser Π. En déduire la limite de (p n (A), p n (B), p n (C)) et vérifier que cette limite ne dépend pas de (a, b, c). 4 Vérifier que, quel que soit le choix de (a, b, c), p n (A), p n (B) et p n (C) sont strictement positifs pour tout n 2. 5 Simulation Simuler la marhe aléatoire sur le triangle décrite ci-dessus. Vérifier sur la simulation la propriété suivante : quand n tend vers l infini, si on désigne par k A (resp. k B, resp. k C ) le nombre d entiers i {0,, n} tels que M i = A (resp. B, resp. C), p.s., lim n k A n + 1 = lim n k B n + 1 = lim n k C n + 1 = 1 3 On suppose maintenant que les probabilités de transition sont les suivantes : p A,B = p B,A = 2 3, p A,C = p B,C = 1 3, p C,A = p C,B = 1 2, p A,A = p B,B = p C,C = 0 Ecrire la nouvelle matrice de transition Π, et déterminer l unique vecteur propre (a, b, c) de Π associé à la valeur propre 1 et tel que a + b + c = 1. En reprenant les notations ci-dessus, vérifier par simulation que p.s., lim n k A n + 1 = a, Promenade aléatoire sur un carré lim n k B n + 1 = b, lim n k C n + 1 = c Reprendre les questions 1 à 4 du paragraphe précédent en supposant maintenant que le point aléatoire M n se déplace sur les quatre sommets d un carré, et qu à chaque étape n, la probabilité de passer d un sommet i à un sommet j vaut 1/2 si i et j sont adjacents, et 0 si i et j sont confondus ou diamétralement opposés. On vérifiera que les résultats des questions 3 e t 4 sont modifiés Chaînes de Markov Généralités Soit S un ensemble dénombrable et P une matrice S S à coefficients positifs, vérifiant, quel que soit i S p i,j = 1 j S 2

3 Une telle matrice est appelée matrice stochastique. Remarque Il arrive parfois que l on ait également, pour tout j S, p i,j = 1 i S On dit alors que P est une matrice bistochastique. Définition Soit X = (X n ) n 0 une suite de variables aléatoires à valeurs dans S. On dit que X est une chaîne de Markov stationnaire (ou homogène) de matrice de transition P si, pour tout n N, pour tout (i 0,, i n, j) S n+2, P (X n+1 = j X 0 = i 0,, X n = i n ) = P (X n+1 = j X n = i n ) = p in,j En d autres termes, l évolution de la chaîne entre les instants n et n + 1 ne dépend que de la position à l état n, et pas de la manière dont cette position a été atteinte. Le mot stationnaire correspond au fait que la probabilité de passage de i n à j entre les étapes n et n + 1 ne dépend pas de n. Le fait que P soit une matrice stochastique implique que l on a bien, quel que soit i, p i,j = 1 j S P (X n+1 = j X n = i) = j S ce qui est normal car A P (A X n = i) est une probabilité. Désignons par π 0 la distribution initiale de la chaîne : Théorème i S, P (X 0 = i) = π 0 (i) (a) Quel que soit l entier n, quels que soient i 0,, i n appartenant à S, P (X 0 = i 0,, X n = i n ) = π 0 (i 0 )p i0,i 1 p in 1,i n (b) Quels que soient les entiers n et m, quels que soient i et j appartenant à S P (X n+m = j X n = i) = p i,j1 p j1,j 2 p jm 1,j = Pi,j m (j 1,,j m 1) S m 1 où P m i,j désigne l élément (i, j) de la puissance mème de P. Démonstration (a) Il suffit de faire des conditionnements successifs. (b) On raisonne par récurrence sur m. La propriété est claire pour m = 1, par définition d une chaîne de Markov. Supposons la vérifiée au rang m. On a alors : P (X n+m+1 = j X n = i) = P ( k S(X n+m+1 = j, X n+m = k) X n = i) = k S P (X n+m+1 = j, X n+m = k X n = i) = k S P (X n+m+1 = j X n+m = k, X n = i) P (X n+m = k X n = i) = k S P (X n+m+1 = j X n+m = k) P (X n+m = k X n = i) (par définition d une chaîne de Markov) = k S P k,j P m i,k (hypothèse de récurrence) = P m+1 i,j (définition du produit matriciel) 3

4 Ceci montre l hérédité et termine la preuve. On peut réénoncer la partie (b) du théorème en disant que Pi,j m sachant qu on part de i. est la probabilité d atteindre j en m étapes Etats transitoires et récurrents Nous allons étudier les propriétés asymptotiques des chaînes de Markov en nous intéressant à la question suivante : si l on suppose que la chaîne de Markov X a pour valeur initiale un élément i de S, passera-t-elle une infinité de fois par cet élément? Nous apporterons dans cette partie une réponse à cette question grâce à un théorème de classification. Nous commençons par quelques définitions et notations. Si j S (on dit que j est un état), on définit la variable aléatoire T j de la manière suivante : T j = min{k > 0 X k = j} C est le premier instant strictement positif pour lequel la chaîne passe par l état j. On pose alors, pour tout couple (i, j) d états f (m) i,j = P (T j = m X 0 = i) probabilité que l on note plus simplement P i (T j = m). On peut remarquer qu à cause de la stationnarité de la chaîne, on a pour tout n N Enfin, on pose Définition On dit que l état i est : (a) récurrent si f i,i = 1, (b) transitoire sinon. f (m) i,j = P (X n+m = j, X n+k j, k = 1,, m 1 X n = i) f i,j = + m=1 f (m) i,j Théorème Caractérisation des états transitoires et récurrents (a) Les conditions suivantes sont équivalentes : L état i est récurrent. P i (lim sup(x n = i)) = 1. n P n i,i = +. (a) Les conditions suivantes sont équivalentes : L état i est transitoire. P i (lim sup(x n = i)) = 0. n P n i,i < +. Démonstration Soit A k l événement : la chaîne passe au moins k fois par l état j. On a P i (A k ) = f (n1) j,j f (n k) j,j = f i,j (f j,j ) k f (m) i,j m,n 1,,n k (il n y a pas de problème de sommabilité car les termes sont positifs). Supposons j récurrent : alors, quel que soit k P i (A k ) = f i,j 4

5 Les événéments A k sont décroissants, on peut alors démontrer, par des arguments de théorie de la mesure, que P ( k 1 A k ) = lim k P (A k) = f i,j puisque P (A k ) ne dépend pas de k. Par conséquent, si j est récurrent, la probabilité, partant de i, d une infinité de passages en j, vaut f i,j, soit P i (lim sup(x n = j)) = f i,j En revanche, si j est transitoire, la probabilité, partant de i, d une infinité de passages en j est majorée par P i (A k ) quel que soit k. Comme dans ce cas f j,j < 1, on a lim k P i(a k ) = 0 et par conséquent P i (lim sup(x n = j)) = 0 En prenant i = j, on obtient la première des deux équivalences de (a) et (b). Commençons par remarquer que si + n=1 P n i,i < +, P i (lim sup(x n = i)) = 0 d après le lemme de Borel- Cantelli. Il faut maintenant prouver que si la série diverge, la probabilité vaut 1. On ne peut évidemment pas utiliser la réciproque du lemme de Borel-Cantelli car les événements (X n = i) ne sont pas indépendants. On écrit d où n 1 Pi,j n = P i (X 1 j,, X n s = j (pour la première fois),, X n = j) s=0 n 1 = s=0 n Pi,i t = t=1 f (n s) i,j Pj,j s n t 1 f (t s) i,i Pi,i s t=1 s=0 n 1 = = n P s i,if (t s) i,i s=0 t=s+1 n 1 n Pi,i s f (t s) i,i s=0 t=s+1 n 1 f i,i Pi,i s (les sommes s=0 n t=s+1 f (t s) i,i sont majorées par f i,i ) On peut dans le membre de droite, ajouter Pi,i n f i,i qui est positif. Comme Pi,i 0 = 1, on a donc n n Pi,i t f i,i (1 + Pi,i) t d où t=1 (1 f i,i ) Si on avait f i,i < 1, on en déduirait que, pour tout t, et la série + n=1 t=1 n Pi,i t f i,i t=1 n Pi,i t f i,i 1 f i,i t=1 P n i,i convergerait, ce qui est exclu. Donc f i,i = 1. 5

6 Définition On dit qu une partie non vide A de S est un ensemble clos si : i A, j S \ A, P i,j = 0 (id est : une fois entré dans A, on n en sort plus). Définition Une chaîne de Markov X est dite irréductible si S est le seul ensemble clos. Remarque On vérifie (le faire en exercice) qu une chaîne de Markov est irréductible si et seulement si, quels que soient les états i et j, on a f i,j > 0, ou encore si et seulement si, quels que soient les états i et j, il existe un entier n > 0 tel que P n i,j > 0. Théorème Si S est une chaîne de Markov irréductible, on a l alternative suivante : (a) Soit tous les états sont transitoires, et on a alors ( ) i S, P i lim sup(x n = j) = 0 et i, j S, Pi,j n < + j S n (a) Soit tous les états sont récurrents, et on a alors ( ) i S, P i lim sup(x n = j) = 1 et i, j S, j S n P n i,j = + Démonstration Quels que soient i et j, il existe des entiers positifs r et s tels que P r i,j > 0 et P s j,i > 0, du fait de l irréductibilité. Il en résulte que P r+n+s i,i P r i,j P n j,j P s j,i Donc n P n i,i < + n P n j,j < + (car i et j jouent des rôles symétriques). Le premier point de l alternative est donc vérifié : tous les états sont du même type. (a) Si j est transitoire, P i (lim sup(x n = j)) = 0 (on l a vu lors de la démonstration du théorème 1.2.4). Comme tous les états sont transitoires et comme S est dénombrable, P i ( j S(lim sup(x n = j))) = 0 D autre part, on a vu plus haut que d où Pi,j n = n n n 1 s=0 + Pi,j n f i,j d où la convergence de la série du membre de gauche. (b) On sait que dans ce cas, pour tout état i, n f (n s) i,j Pj,j s s=0 P s j,j P i (lim sup(x n = i)) = 1 6

7 Soit j un autre état : P m j,i = P j (X m = i) = P j ((X m = i) (lim sup X n = j)) (car P j (lim sup(x n = j)) = 1) n>0 P j (X m = i, X m+1 j,, X m + n = j) = n>0 P m j,i f (n) i,j = P m j,i f i,j Il existe m tel que P m j,i > 0 (car X est irréductible). Il en résulte que f i,j 1 et donc f i,j = 1 puisque c est une probabilité. D après la démonstration du théorème 1.2.4, on en conclut que P i (lim sup(x n = j)) = 1 et ce résultat reste vrai en passant à l intersection dénombrable. Enfin, n P n i,j = +, sinon on aurait P i (lim sup(x n = j)) = 0 d après le lemme de Borel-Cantelli. Remarque Si la partie (a) de l alternative est réalisée, S est infinie (presque sûrement, chaque état n est visité qu un nombre fini de fois ; comme il y a une infinité d étapes, cela nécessite une infinité d états) Distributions stationnaires Définition Soit X une chaîne de Markov de matrice de transition P et π une distribution de probabilité sur S. On dit que π est une distribution stationnaire si, pour tout j S, i S p i,j π(i) = π(j). Il en résulte, compte tenu du point (a) du théorème (avec n = 1), que si on choisit π comme distribution initiale de la chaîne, P (X 1 = j) = π(j) = P (X 0 = j) pour tout j, et cette propriété se généralise à tout entier n : P (X n = j) = P (X 0 = j). La loi de X n ne dépend pas de n, d où l expression distribution stationnaire. Remarque Vectoriellement, dire que π est une distribution stationnaire équivaut à dire que le vecteur (π(i)) i S est vecteur propre de la matrice t P (transposée de P ) associé à la valeur propre 1. Lorsque S est finie et la chaîne irréductible, la théorie de Perron-Frobenius garantit l existence et l unicité de distributions stationnaires. Nous allons tout de suite vérifier que même sans hypothèse d irréductibilité, il y a toujours au moins une probabilité stationnaire. Théorème Toute chaîne de Markov possédant un nombre fini d états admet une mesure de probabilité invariante. Démonstration Posons S = {1,, p}. La donnée d une mesure de probabilité sur S équivaut à la donnée d un p-uplet (x 1,, x p ) tel que tous les x i soient positifs ou nuls et tel que leur somme soit égale à 1. Soit A l ensemble des tels p-uplets. C est une partie compacte de R p. Choisissons un élément quelconque X 0 A et calculons ses images successives X 1 = t P X 0, X 2 = t P X 1, etc. Posons enfin, pour tout entier n Y n = X X n n + 1 Les Y n sont encore des éléments de A (vérification immédiate : A est une partie convexe). La suite (Y n ) n est une suite d éléments du compact A, donc elle admet une valeur d adhérence Y A. Nous allons montrer que Y est une probabilité invariante. Soit (Y nk ) k une sous-suite convergeant vers Y. On a t P Y nk = X X nk + X nk +1 n k + 1 = Y nk + X n k +1 X 0 n k + 1 7

8 qui tend vers Y quand k tend vers l infini (car la suite (X nk +1 X 0 ) k est bornée donc le deuxième terme tend vers 0). En passant à la limite, on a donc t P Y = Y, d où le résultat annoncé. On établit dans la fin de ce paragraphe l unicité de la distribution stationnaire pour les chaînes irréductibles possédant une propriété supplémentaire : l apériodicité. Cette unicité résulte d une propriété asymptotique des puissances de la matrice de transition. Définition On dit qu un état i S a pour période T si T est le pgcd des nombres n tels que P n i,i > 0. Remarque La définition de la période T de i n implique pas que Pi,i T > 0 (on pourrait par exemple avoir P i,i = 0, Pi,i 2 > 0 et P i,i 3 > 0 : on aurait alors T = 1 et P i,i T = 0). Remarque Si la chaîne est irréductible, tous les éléments ont la même période (Le vérifier à titre d exercice). On peut donc parler de la période d une chaîne irréductible. Définition On appelle chaîne apériodique toute chaîne irréductible de période 1. Lemme Soit X une chaîne apériodique. Quels que soient les états i et j, il existe un entier N(i, j) tel que n N(i, j), P n i,j > 0 Démonstration Puisque S est apériodique, il existe des entiers n 1,, n k de pgcd égal à 1 tels que > 0 pour tout i = 1,, k. P ni j,j Montrons que tout entier n suffisamment grand peut s écrire sous la forme k n = a i n i où les a i appartiennent à N. D après le théorème de Bezout, il existe des entiers b i Z tels que Soit N = écrire d où i=1 k b i n i = 1. k n i. Pour tout n N, il existe q N et r {0,, N 1} tels que n = qn + r. On peut donc i=1 n = r + n = k qn i, r = i=1 i=1 k rb i n i i=1 k (q + rb i )n i i=1 Soit q 0 un entier tel que tous les q 0 + rb i soient strictement positifs (possible cas il n y a qu un nombre fini de rb i possibles, puisque 0 r n n k 1). Si n N 0 = q 0 N, le quotient q de la division euclidienne de n par N est supérieur ou égal à q 0, donc tous les entiers q + rb i sont positifs, ce qui prouve le résultat annoncé. On a alors, pour tout n N 0, P n j,j k i=1 ( P n i j,j) ai > 0 Du fait de l irréductibilité de la chaîne, il existe s > 0 tel que Pi,j s n + s N 0 + s. > 0. Donc P n+s i,j > 0 pour tout entier 8

9 Théorème Soit X une chaîne de Markov apériodique admettant une distribution stationnaire π. (a) La chaîne est récurrente, et quels que soient les états i et j (b) La distribution stationnaire π est unique. lim P i,j n = π(j) n Démonstration Le point (b) découle clairement de la deuxième partie de (a). Si la chaîne était transitoiree, on aurait pour tous i et j, n part, pour tout n, ( t P ) n π = π (stationnarité répétée), donc P n i,j < + et donc lim n P n i,j = 0. Mais d autre j S, i S P n i,j π i = π j Soit ε > 0. Il existe une partie finie T S telle que i / T π i ε. On a donc 2 π j ε 2 + i T P n i,j π i ε 2 + i T P n i,j La suite ( i T P n i,j) n est une somme finie de suites tendant vers 0, donc elle tend vers 0 : il existe n 0 tel que En choisissant n = n 0, on obtient alors i T P n0 i,j ε 2 π j ε et la distribution π est identiquement nulle, donc n est pas une mesure de probabilité : contradiction. Par conséquent, la chaîne est récurrente. Pour prouver l autre partie du théorème, on introduit une chaîne sur S S de matrice de transition P ((i, j), (k, l)) = p i,k p j,l que nous appellerons chaîne-produit. (Cela revient à étudier l évolution en parallèle d un couple (X n, Y n ) de chaînes de Markov indépendantes admettant toutes les deux la matrice de transition P ). Quels que soient les états i, j, k, l, il existe, d après le lemme , des entiers N 0 et N 1 tels que n N 0 = P n i,k > 0, n N 1 = P n j,l > 0 (car X est irréductible et apériodique). Si on choisit n max(n 0, N 1 ), on obtient donc la chaîne-produit est irréductible. P n ((i, j), (k, l)) = P n i,k P n j,l > 0 Par ailleurs, on vérifie facilement que si on définit une mesure π (2) sur S S par (i, j) S S, π (2) (i, j) = π i π j cette mesure est une distribution de probabilité invariante pour la chaîne-produit : il en résulte, d après le début de la preuve, que cette chaîne est récurrente. On a donc, quels que soient les états i, j, i 0, P i,j (lim sup((x n, Y n ) = (i 0, i 0 ))) = 1 9

10 Si on définit la variable aléatoire T par T = inf{n 0 (X n, Y n ) = (i 0, i 0 )}, on a donc P i,j (T < + ) = 1. Soit m n deux entiers : P i,j ((X n, Y n ) = (k, l), T = m) = P i,j ( t < m, (X t, Y t ) (i 0, i 0 ), T = m, (X n, Y n ) = (k, l)) Sommons sur l ces égalités : Sommons les égalités précédentes sur k Ces deux termes sont identiques quand k = l : En sommant ces égalités pour m n, on en déduit = P i,j ( t < m, (X t, Y t ) (i 0, i 0 ), (X m, Y m ) = (i 0, i 0 )) P i0,i 0 ((X n m, Y n m ) = (k, l)) = P i,j (T = m) P n m i P n m 0,k i 0,l P i,j (X n = k, T = m) = P i,j (T = m) P n m i 0,k P i,j (Y n = l, T = m) = P i,j (T = m) P n m i 0,l P i,j (X n = k, T = m) = P i,j (Y n = l, T = m) P i,j (X n = k, T n) = P i,j (Y n = l, T n) On peut alors écrire P i,j (X n = k) P i,j (X n = k, T n) + P i,j (T > n) P i,j (Y n = k, T n) + P i,j (T > n) P i,j (Y n = k) + P i,j (T > n) Or, P i,j (X n = k) = P n i,k et P i,j(y n = k) = P n j,k. Donc P n i,k P n j,k P i,j (T > n) qui devient, en tenant compte du rôle symétrique de (X n ) et (Y n ) dans le raisonnement ci-dessus P n i,k P n j,k P i,j (T > n) On a vu plus haut que P i,j (T < + ) = 1 (récurrence de la chaîne-produit), donc lim n P i,j(t > n) = 0. On a donc lim n P n i,k P n j,k = 0 Or π k Pj,k n = ( ) π i Pi,k n π i Pj,k n i S i S = i S π i (P n i,k P n j,k) d où π k P n j,k i S π i P n i,k P n j,k On conclut en raisonnant de manière analogue à la méthode employée au début de la démonstration. Pour ε > 0 donné, il existe une partie finie T S telle que π i ε 2 i / T 10

11 La suite ( i T π i P n i,k P n j,k ) n est une somme finie de suites convergeant vers 0, donc elle converge vers 0 : il existe donc n 0 tel que, pour tout n n 0, Finalement, pour n n 0 π k P n j,k i/ T π i Pi,k n Pj,k n ε 2 i T π i P n i,k P n j,k + i T π i P n i,k P n j,k i/ T π i + ε 2 (car si x et y sont compris entre 0 et 1, x y 1) ce qui achève la démonstration. ε 2 + ε 2 = ε Nous finissons par quelques remarques concernant les propriétés des distributions stationnaires : si i est un état transitoire d une chaîne de Markov, et si π est une mesure invariante, on a forcément π(i) = 0. La même propriété s applique aux états récurrents nuls : ce sont les états i pour lesquels l espérance de l instant T i de premier retour en i est infinie (rappelons que par définition, la variable T i est presque sûrement finie quand i est récurrent, mais elle peut avoir une espérance finie ou non). Pour les autres états récurrents, que l on appelle états récurrents positifs, et dans le cas où la chaîne est irréductible, on a forcément π(i) = 1 E i (T i ) Exercices Exercice 1. 1 Soit P = ( ) a 1 a une matrice stochastique. 1 b b En posant a = x et b = y, montrer que la trace de P 2 est supérieure ou égale à 1. Exercice 1. 2 Montrer qu une chaîne de Markov est irréductible si et seulement si l une des deux conditions suivantes est réalisée : (a) Quels que soient les états i et j, f i,j > 0. (b) Quels que soient les états i et j, il existe un entier n > 0 tel que P n i,j > 0. Exercice 1. 3 Montrer que tous les éléments d une chaîne irréductible ont la même période. Indication - Soit d i la période de i. Montrer que d i divise tous les entiers n tels que Pj,j n > 0. Pour cela considérer N et M tels que Pi,j N > 0 et P j,i M > 0 et vérifier que d i divise N + n + M et N + 2n + M. Conclure. Exercice 1. 4 Montrer que si la matrice de transition d une chaîne de Markov est bistochastique, la loi uniforme sur S (qui n est une mesure finie que si S est finie) est une loi stationnaire. Exercice 1. 5 On suppose que, initialement, N boules blanches et N boules noires sont réparties entre deux urnes A et B, de sorte que chaque urne contienne N boules. A chaque étape, on choisit une boule au hasard dans chaque urne et on les échange. On désigne par X n le nombre de boules noires dans l urne A à l étape n. Calculer les probabilités de transition p i,j et vérifier que la chaîne est irréductible. Exercice 1. 6 On répartit initialement N boules entre deux urnes A et B : on place X 0 boules dans l urne A et N X 0 dans l urne B. On désigne par X n le nombre de boules présentes dans l urne A à l étape n. A cette étape, on fait deux tirages au sort : - On choisit l urne A avec probabilité X n N ou l urne B avec probabilité N X n N. 11

12 - Inépendamment de ce premier tirage au sort, on choisit de nouveau l urne A avec probabilité X n ou l urne N B avec probabilité N X n et on tire dans l urne choisie une boule au hasard. N Puis on place la boule choisie au deuxième tirage au sort dans l urne choisie au premier tirage au sort. Calculer les probabilités de transition p i,j et vérifier que la chaîne n est pas irréductible : il y a deux états absorbants 0 et N et tous les autres communiquent. Exercice 1. 7 La durée de vie T d un composant électronique est une variable aléatoire entière pouvant prendre toutes les valeurs k 1. On pose, pour k 1 α k = P (T = k), r k = P (T k) A chaque panne, le composant est immédiatement remplacé. En considérant que le processus commence à l instant n = 0, les instants de remplacement successifs sont donc T 1, T 2 + T 1, etc, où les T i représentent les durées de vie des composants successifs, supposées suivre la même loi que T et être des variables indépendantes. A chaque instant n, on désigne par X n l âge du composant en cours d utilisation. Si un composant tombe en panne à l instant n, il est immédiatement remplacé donc X n = 0. 1 Montrer que si j 0 et j i + 1, P (X n+1 = j X n = i) = 0. 2 Montrer que P (X n+1 = 0 X n = i) = P (T = i + 1 T i + 1) = α i+1 r i+1. En déduire que P i,i+1 = r i+2 r i+1. 3 Montrer que la chaîne est irréductible. 4 Pour n 1, on rappelle que f (n) 0,0 produise à l instant n. désigne la probabilité pour que le premier retour en 0 de la chaîne se Prouver que f (n) 0,0 = α n. En déduire que 0 est récurrent, et plus généralement que tous les états de cette chaîne sont récurrents. Exercice 1. 8 Processus de naissance et de mort On considère une chaîne de Markov X = (X n ) n 0, d espace d état S = N et de matrice de transition P définie par : P (x, x 1) = q x, P (x, x) = r x, P (x, x + 1) = p x avec p x + q x + r x = 1, q 0 = 0, q x > 0 si x > 0, p x > 0. Une telle chaîne est appelée chaîne de naissance et de mort. Le but est d étudier sous quelles conditions la chaîne est récurrente. Pour i élément de S, on pose T i = inf{n 0 X n = i} Etant donné trois états a, x et b tels que a x b, on désigne par u(x) la probabilité d atteindre l état a avant l état b sachant que l on part de x. On peut aussi écrire u(x) = P x (T a < T b ). 1 Justifier la terminologie. 2 Montrer que la chaîne est irréductible. 3 Montrer que u(x) = q x u(x 1) + r x u(x) + p x u(x + 1) En utilisant le fait que r x = 1 p x q x, en déduire que u(x + 1) u(x) = q x p x [u(x) u(x 1)] = q xq x 1 q a+1 p x p x 1 p a+1 [u(a + 1) u(a)] En calculant u(a) et u(b), et en sommant l égalité ci-dessus pour x = a, a + 1,, b 1, déterminer la différence u(a) u(a + 1). En sommant de nouveau l égalité ci-dessus, cette fois entre x et b 1, en déduire u(x) en fonction des nombres q 1 q t p 1 p t. 12

13 Déterminer en particulier u(x) quand p x = q x (processus symétrique). 4 Construire une simulation permettant de visualiser le dernier résultat de la question 3. On choisira par exemple a = 0, b = 10, x quelconque entre 1 et 9, et on prendra p x = q x = r x = 1/3. 5 Estimation de la durée moyenne du jeu On suppose dans la suite de l exercice que le jeu est homogène (les nombres p x, q x et r x sont indépendants de x : on les notera p, q et r) et équilibré (p = q). Répéter la simulation mise en place à la question précédente pour des valeurs variables de x et de r. Observer sur de nombreuses répétitions la durée moyenne T du jeu. Que constate-t-on? (On pourra s intéresser à la valeur de (1 r)t et conjecturer une formule. 6 Calcul exact de E(T ) Pour a x b, on désigne par E x (T ) l espérance de la variable T sous la condition initiale X 0 = x. On admettra dans la suite que E x (T ) est finie et on désigne ce nombre par u(x). a Calculer u(a) et u(b). b Montrer que si x {1,..., a + b 1}, u(x) = + k=1 + + kp x ((T = k) (X 1 = x 1)) + kp x ((T = k) (X 1 = x)) + kp x ((T = k) (X 1 = x + 1)) Vérifier que, si on pose T = T 1, k=1 P x (T = k X 1 = x 1) = P x 1 (T = k 1) (Utiliser la propriété de Markov en remarquant que T représente la durée du jeu à partir de l instant 1). En déduire que la première somme vaut p(1 + E x 1 (T )) et prouver finalement que u(x) = 1 + pu(x 1) + ru(x) + pu(x + 1) c En déduire que, si on pose d x = u(x + 1) u(x), la suite d x est arithmétique de raison 1/p. d Calculer d a + + d b 1 de deux manières. En déduire d a. e Calculer d a + + d x 1 de deux manières. En déduire que u(x) = à la conjecture faite grâce aux simulations de la question précédente. Exercice 1. 9 Réparation de machines k=1 (x a)(b x). Comparer ce résultat 1 r Pendant le jour n un nombre Z n+1 de machines tombe en panne et sont envoyées à un atelier de réparation. Cet atelier livre chaque jour une des machines en cours de réparation. On appelle X n le nombre de machines présentes à l atelier le jour n. Montrer que X n+1 = (X n 1) + + Z n+1 où a + = max(a, 0). On suppose que les Z n sont mutuellement indépendantes, indépendantes de X 0 et de même loi. 1 Montrer que (X n ) est une chaîne de Markov. 2 On pose, pour k 0, a k = P (Z 1 = k). Ecrire la matrice de transition de la chaîne (X n ) en fonction des a k. (On distinguera, pour calculer P (X n+1 = j X n = i), les cas i = 0 et i 0). L étude des propriétés de cette chaîne de Markov (comportement asymptotique, existence et unicité d une distribution stationnaire) dépend de la loi des variables Z n. 3 Simulation On suppose que les Z n suivent une loi de Poisson de paramètre λ = 1/2. Etudier par simulation l évolution asymptotique de la chaîne (X n ). Exercice Gestion de stock La demande pour un certain produit commercial entre les instants n et n + 1 est de Z n+1 unités (où les Z n sont mutuellement indépendantes, et en outre indépendantes de la valeur initiale X 0 du stock). 13

14 On suit la règle suivante pour la gestion des stocks d un certain produit dans une entreprise : au début de la journée n, un ordre de revalorisation du stock est donné, suivant la stratégie dite (s, S), où s et S sont des entiers vérifiant 0 < s < S. Si au début de la journée n, le stock est inférieur à s, une commande est placée pour monter le stock à S. Sinon, on ne commande rien. On suppose que le stock initial X 0 n excède pas S, de sorte que le stock X n prend ses valeurs dans l ensemble {S, S 1, S 2,...}. Les valeurs négatives sont possibles (elles correspondent à des commandes de clients à satisfaire dès restockage). 1 Vérifier que la suite (X n ) n N des valeurs du stock est une chaîne de Markov (on donnera une relation de récurrence entre X n, Z n+1 et X n+1 en distinguant deux cas). 2 Simuler le déroulement de cette chaîne de Markov sous l hypothèse s = 10, S = 20, et en supposant que les Z n valent 0, 1, 2 ou 3 avec équiprobabilité. Préciser dans ce cas l espace d état, étudier l existence d une probabilité stationnaire et son unicité. Exercice L urne d Ehrenfest Ce modèle d urne a été introduit en 1907 par les physiciens autrichiens Tatiana et Paul Ehrenfest pour décrire en termes de mécanique statistique les échanges de chaleur entre deux systèmes portés initialement à une température différente. On répartit initialement d boules numérotées de 1 à d entre deux urnes A et B. On tire un nombre i au hasard entre 1 et d et la boule numéro i est changée d urne. On désigne par X n le nombre de boules dans l urne A après n tirages indépendants. La chaîne (X n ) n N est appelée chaîne d Ehrenfest. 1 Montrer que (X n ) n N est une chaîne de Markov. Déterminer sa matrice de transition et montrer que la chaîne est irréductible. Vérifier aussi qu elle est périodique. 2 On suppose que X 0 est distribuée suivant une loi binomiale B(d, 1/2). Déterminer la distribution de X 1. Montrer que la loi binomiale est la seule à posséder cette propriété. 3 Dans cette question, on suppose que d = 3. Soit T 0 le nombre de tirages nécessaires pour vider A. Déterminer pour tout état x et pour n = 1, 2 ou 3, la probabilité conditionnelle P (T 0 = n X 0 = x). 4 Montrer que si l on choisit comme distribution de X 0 la loi binomiale B(d, 1/2), la chaîne (X n ) possède la propriété de réversibilité suivante : P (X n+1 = j X n = i)p (X n = i) = P (X n+1 = i X n = j)p (X n = j) 14

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul 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 détail

Probabilités sur un univers fini

Probabilités 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 détail

Limites finies en un point

Limites 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 détail

Chapitre 3. Mesures stationnaires. et théorèmes de convergence

Chapitre 3. Mesures stationnaires. et théorèmes de convergence Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée

Plus en détail

Développement décimal d un réel

Développement 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 détail

Continuité en un point

Continuité 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 détail

Fonctions de plusieurs variables

Fonctions 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 détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* 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 détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - 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 détail

Image d un intervalle par une fonction continue

Image 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 détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration 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 détail

Feuille d exercices 2 : Espaces probabilisés

Feuille d exercices 2 : Espaces probabilisés Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un

Plus en détail

Chaînes de Markov au lycée

Chaînes de Markov au lycée Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat

Plus en détail

1 Définition et premières propriétés des congruences

1 Définition et premières propriétés des congruences Université Paris 13, Institut Galilée Département de Mathématiques Licence 2ème année Informatique 2013-2014 Cours de Mathématiques pour l Informatique Des nombres aux structures Sylviane R. Schwer Leçon

Plus en détail

Coefficients binomiaux

Coefficients binomiaux Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant

Plus en détail

Exercices sur le chapitre «Probabilités»

Exercices 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 détail

Commun à tous les candidats

Commun 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 détail

Suites numériques 3. 1 Convergence et limite d une suite

Suites 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 détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur

Plus en détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De 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 détail

Chapitre 2. Matrices

Chapitre 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 détail

Probabilités Loi binomiale Exercices corrigés

Probabilités Loi binomiale Exercices corrigés Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte 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 détail

3. Conditionnement P (B)

3. 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 détail

La fonction exponentielle

La 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 détail

Calcul différentiel sur R n Première partie

Calcul différentiel sur R n Première partie Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité

Plus en détail

3 Approximation de solutions d équations

3 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 détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

* 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 détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes 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 détail

Planche n o 22. Fonctions de plusieurs variables. Corrigé

Planche 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 détail

I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES

I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et

Plus en détail

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.

Exo7. 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 détail

Cours Fonctions de deux variables

Cours Fonctions de deux variables Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté

Plus en détail

Chapitre 1 : Évolution COURS

Chapitre 1 : Évolution COURS Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir

Plus en détail

Continuité et dérivabilité d une fonction

Continuité 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 détail

Problème 1 : applications du plan affine

Problème 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 détail

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015

Première 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 détail

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Fonctions 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 détail

Triangle de Pascal dans Z/pZ avec p premier

Triangle de Pascal dans Z/pZ avec p premier Triangle de Pascal dans Z/pZ avec p premier Vincent Lefèvre (Lycée P. de Fermat, Toulouse) 1990, 1991 1 Introduction Nous allons étudier des propriétés du triangle de Pascal dans Z/pZ, p étant un nombre

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

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 détail

Probabilités. C. Charignon. I Cours 3

Probabilités. C. Charignon. I Cours 3 Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3

Plus en détail

Cours d Analyse. Fonctions de plusieurs variables

Cours 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 détail

DOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.

DOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur

Plus en détail

Angles orientés et trigonométrie

Angles orientés et trigonométrie Chapitre Angles orientés et trigonométrie Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Trigonométrie Cercle trigonométrique. Radian. Mesure d un angle orienté, mesure principale.

Plus en détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 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 détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours.

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours. 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 détail

Le théorème de Thalès et sa réciproque

Le théorème de Thalès et sa réciproque Le théorème de Thalès et sa réciproque I) Agrandissement et Réduction d une figure 1) Définition : Lorsque toutes les longueurs d une figure F sont multipliées par un même nombre k on obtient une autre

Plus en détail

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - 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 détail

Chapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme

Chapitre 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 détail

Résolution d équations non linéaires

Résolution 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 détail

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples 45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et

Plus en détail

Résolution de systèmes linéaires par des méthodes directes

Résolution de systèmes linéaires par des méthodes directes Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.

Plus en détail

I. Polynômes de Tchebychev

I. 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 détail

Amphi 3: Espaces complets - Applications linéaires continues

Amphi 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 détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 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 détail

Qu est-ce qu une probabilité?

Qu est-ce qu une probabilité? Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont

Plus en détail

I. Cas de l équiprobabilité

I. Cas de l équiprobabilité I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus

Plus en détail

ENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N

ENS 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 détail

Exercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument

Exercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument Formes algébriques et trigonométriques, module et argument Exercice - - L/Math Sup - On multiplie le dénominateur par sa quantité conjuguée, et on obtient : Z = 4 i 3 + i 3 i 3 = 4 i 3 + 3 = + i 3. Pour

Plus en détail

Cours d arithmétique Première partie

Cours d arithmétique Première partie Cours d arithmétique Première partie Pierre Bornsztein Xavier Caruso Pierre Nolin Mehdi Tibouchi Décembre 2004 Ce document est la première partie d un cours d arithmétique écrit pour les élèves préparant

Plus en détail

Cours d analyse numérique SMI-S4

Cours d analyse numérique SMI-S4 ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,

Plus en détail

Continuité d une fonction de plusieurs variables

Continuité d une fonction de plusieurs variables Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs

Plus en détail

Comparaison de fonctions Développements limités. Chapitre 10

Comparaison 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 détail

Le produit semi-direct

Le produit semi-direct Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.

Plus en détail

Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé.

Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé. Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé. I- ACTIVITES NUMERIQUES (12 points) Exercice 1 (3 points) On considère

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

EXERCICE 4 (7 points ) (Commun à tous les candidats)

EXERCICE 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 détail

Dualité dans les espaces de Lebesgue et mesures de Radon finies

Dualité 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 détail

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

Programmation linéaire

Programmation linéaire 1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit

Plus en détail

Probabilités conditionnelles Loi binomiale

Probabilités conditionnelles Loi binomiale Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard

Plus en détail

Introduction au Calcul des Probabilités

Introduction au Calcul des Probabilités Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Introduction au Calcul des Probabilités Probabilités à Bac+2 et plus

Plus en détail

Arbre de probabilité(afrique) Univers - Evénement

Arbre de probabilité(afrique) Univers - Evénement Arbre de probabilité(afrique) Univers - Evénement Exercice 1 Donner l univers Ω de l expérience aléatoire consistant à tirer deux boules simultanément d une urne qui en contient 10 numérotés puis à lancer

Plus en détail

Théorie de la Mesure et Intégration

Théorie de la Mesure et Intégration Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 & UE LM365 Intégration 2 Année 2010 11 Théorie de la Mesure et Intégration Responsable des cours : Amaury LAMBERT

Plus en détail

Polynômes à plusieurs variables. Résultant

Polynômes à plusieurs variables. Résultant Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \

Plus en détail

Capes 2002 - Première épreuve

Capes 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 détail

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines

Plus en détail

Journées Télécom-UPS «Le numérique pour tous» David A. Madore. david.madore@enst.fr. 29 mai 2015

Journées Télécom-UPS «Le numérique pour tous» David A. Madore. david.madore@enst.fr. 29 mai 2015 et et Journées Télécom-UPS «Le numérique pour tous» David A. Madore Télécom ParisTech david.madore@enst.fr 29 mai 2015 1/31 et 2/31 : définition Un réseau de R m est un sous-groupe (additif) discret L

Plus en détail

Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.

Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la

Plus en détail

Correction du baccalauréat S Liban juin 2007

Correction du baccalauréat S Liban juin 2007 Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation 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 détail

4. Martingales à temps discret

4. 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 détail

Travaux dirigés d introduction aux Probabilités

Travaux 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 détail

I. Ensemble de définition d'une fonction

I. Ensemble de définition d'une fonction Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux

Plus en détail

Chapitre VI - Méthodes de factorisation

Chapitre VI - Méthodes de factorisation Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.

Plus en détail

Représentation d un entier en base b

Représentation d un entier en base b Représentation d un entier en base b 13 octobre 2012 1 Prérequis Les bases de la programmation en langage sont supposées avoir été travaillées L écriture en base b d un entier est ainsi défini à partir

Plus en détail

Optimisation des fonctions de plusieurs variables

Optimisation 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 détail

Couples de variables aléatoires discrètes

Couples de variables aléatoires discrètes Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude

Plus en détail

Calcul fonctionnel holomorphe dans les algèbres de Banach

Calcul 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 détail

Activités numériques [13 Points]

Activités numériques [13 Points] N du candidat L emploi de la calculatrice est autorisé. Le soin, la qualité de la présentation entrent pour 2 points dans l appréciation des copies. Les résultats seront soulignés. La correction est disponible

Plus en détail

Module 7: Chaînes de Markov à temps continu

Module 7: Chaînes de Markov à temps continu Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R

Plus en détail

Correction du Baccalauréat S Amérique du Nord mai 2007

Correction 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 détail

Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT

Exercices 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 détail

Intégration et probabilités TD1 Espaces mesurés

Intégration 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 détail

Raisonnement par récurrence Suites numériques

Raisonnement par récurrence Suites numériques Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.

Plus en détail

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)

FONCTIONS 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 détail

Problèmes de Mathématiques Filtres et ultrafiltres

Problèmes de Mathématiques Filtres et ultrafiltres Énoncé Soit E un ensemble non vide. On dit qu un sous-ensemble F de P(E) est un filtre sur E si (P 0 ) F. (P 1 ) (X, Y ) F 2, X Y F. (P 2 ) X F, Y P(E) : X Y Y F. (P 3 ) / F. Première Partie 1. Que dire

Plus en détail

Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)

Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre

Plus en détail

Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I

Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques

Plus en détail

Capacité 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 Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second

Plus en détail