Chapitre 15 Variables aléatoires simultanées
|
|
- Marie-Madeleine Lesage
- il y a 6 ans
- Total affichages :
Transcription
1 Chapitre 15 F. Delacroix, École des Mines de Douai, 21 mars 2011 Introduction Présentation et objectifs Comme en statistique descriptive, on est fréquemment amené à considérer plusieurs variables aléatoires relatives à une expérience aléatoire donnée. C est l objet de ce chapitre que de donner un aperçu des phénomènes qui apparaissent alors. On définit d abord, dans les cas discrets et continus, les notions de distribution simultanée pour deux variables aléatoires (la généralisation à n variables aléatoires étant laissée au lecteur), puis l indépendance de variables aléatoires. On considère les propriétés de la somme de plusieurs variables aléatoires indépendantes, avant de s intéresser d un peu plus près aux différentes propriétés de l espérance. La dernière section s intéresse enfin aux théorèmes limites, notamment la loi des grands nombres et le théorème de la limite centrale, théorèmes en prise directe avec l exploitation de la théorie des probabilités en statistiques. Prérequis: Chapitres 12, 13, 14, 2, 4, 7, 11 Suites: Statistique inductive (1 ère année) Optimisation Mathématiques financières et sciences «molles» Informatique et sciences de l information 1 Distributions simultanées Soient X, Y deux variables aléatoires sur un espace probabilisé (Ω, T, P ). 1.1 Fonction de répartition conjointe Définition 1 La fonction de répartition conjointe (ou : simultanée) de X et Y est la fonction F X,Y : R 2 R (x, y) P ({X x} {Y y}). Les fonctions de répartition de X et de Y (notées F X et F Y ) sont alors qualifiées de marginales. 1
2 Chapitre 15 MathématiquesÉcole des Mines de Douai FIAAS Proposition 1 (Relations entre répartitions conjointe et marginales) Avec les notations précédentes, on a x R, F X (x) = lim y + F X,Y (x, y) y R, F Y (y) = lim x + F X,Y (x, y) Démontrer cette proposition à l aide du théorème sur la probabilité limite d une suite monotone d évènements. Exprimer, à l aide des fonctions de répartitions conjointe et marginales, les probabilités suivantes : P ({X > x} {Y > y}), 1.2 Cas de variables discrètes P ({X > x} {Y > y}) et P ({x 1 < X x 2 } {y 1 < Y y 2 }) On suppose ici que X et Y sont des variables aléatoires discrètes. Définition 2 On appelle loi de probabilité conjointe de X et de Y la fonction p X,Y : X(Ω) Y (Ω) [0, 1] (x, y) P ({X = x} {Y = y}). A nouveau, les lois de X et de Y, notées p X et p Y, sont alors qualifiées de marginales. Proposition 2 (Relations entre lois conjointe et marginales) Avec ces notations, on a x X(Ω), p X (x) = P (X = x) = y Y (Ω) y Y (Ω), p Y (y) = P (Y = y) = x X(Ω) p X,Y (x, y) p X,Y (x, y). Lorsque X(Ω) et Y (Ω) sont finis, il est d usage de présenter ces valeurs sous forme d un tableau de contingence (cf. chap. 11). Dans ce cas, les lois marginales apparaissent comme somme des probabilités figurant dans une ligne ou colonne. Dresser le tableau de contingence d un lancer de deux dés équilibrés différenciés, les résultats des deux dés étant notés X et Y. Même question, mais cette fois les deux dés sont indifférenciés. X désigne le plus petit résultat, Y le plus grand. 1.3 Cas de variables continues 2
3 Définition 3 Deux variables aléatoires X et Y sont dites conjointement continues s il existe une fonction f X,Y : R 2 R + telle que pour tout borélien C de R 2 on ait P ((X, Y ) C) = C f X,Y (x, y) dx dy. Une telle fonction f X,Y est appelée densité de probabilité conjointe de X et Y (ou, plus simplement, densité conjointe de X et Y ). Proposition 3 Soit (X, Y ) un couple de variables aléatoires admettant pour densité conjointe f X,Y. (1) On a f X,Y (x, y) dx dy = 1. R 2 (2) Les variables X et Y sont continues et leurs densités de probabilités (qualifiées de marginales) f X et f Y sont données par f X (x) = + f X,Y (x, y) dy f Y (y) = + f X,Y (x, y) dx. (3) On a la relation suivante entre la fonction de répartition conjointe du couple (X, Y ) et sa densité conjointe : f X,Y (x, y) = 2 F X,Y x y (x, y) (relation qui n est valable, en toute rigueur, qu aux points où f X,Y est continue). Démontrer cette proposition : utiliser l évènement certain pour le point (1), les fonctions de répartition marginales pour le point (2), la fonction de répartition conjointe pour le point (3). On considère un couple (X, Y ) de variables aléatoires admettant pour densité conjointe la fonction 2e x 2y si x > 0 et y > 0 f : (x, y) 0 sinon. Exprimer à l aide de f puis calculer P ({X > 1} {Y < 1}), P (X < Y ), P (X < a). Calculer les densités marginales en X et Y, la fonction de répartition conjointe ainsi que les fonctions de répartitions marginales en X et en Y. 2 Variables aléatoires indépendantes 2.1 Définition 3
4 Chapitre 15 MathématiquesÉcole des Mines de Douai FIAAS Définition 4 Deux variables aléatoires X et Y sont dites indépendantes si pour tous boréliens A et B de R, les évènements {X A} et {Y B} sont indépendants, c est-à-dire P ({X A} {Y B}) = P (X A) P (Y B) ou encore P ((X, Y ) A B) = P (X A) P (Y B). En appliquant cette définition à des intervalles ], x] et ], y], on voit que l indépendance de X et Y entraîne que la fonction de répartition conjointe est le «produit» (attention toutefois aux variables) des fonctions de répartition marginales. La réciproque est vraie, et repose sur le fait que les intervalles de ce type engendrent la tribu borélienne de R. On obtient donc la caractérisation suivante : Proposition 4 Deux variables aléatoires X et Y sont indépendantes si et seulement si (x, y) R 2, F X,Y (x, y) = F X (x) F Y (y). Proposition 5 Soient X et Y deux variables aléatoires. (1) Si X et Y sont deux variables aléatoires discrètes, elles sont indépendantes si et seulement si (x, y) X(Ω) Y (Ω), P ({X = x} {Y = y}) = P (X = x) P (Y = y). (2) Si X et Y sont deux variables aléatoires conjointement continues, elles sont indépendantes si et seulement si (x, y) R 2, f X,Y (x, y) = f X (x) f Y (y). Démontrer le point (2) grâce à la proposition 3 et à la proposition 4. Un sens du point (1) est trivial ; démontrer l autre à l aide de la σ-additivité (3 ème axiome de Kolmogorov) en décomposant l évènement {(X, Y ) A B} en une réunion dénombrable d évènements incompatibles. 2.2 Exemples 4 On effectue n + m lancers indépendants d une pièce (la probabilité d obtenir «pile»est notée p). On note X le nombre de «pile» dans les n premiers lancers, Y le nombre de «pile» dans les m derniers. Déterminer les lois de probabilités de X et Y et démontrer que X et Y sont des variables aléatoires indépendantes. Déterminer la loi de probabilité de la variable Z = X + Y ; les variables X et Z sont-elles indépendantes?
5 Un homme et une femme se donnent rendez-vous entre 12h et 13h ; leurs minutes d arrivée respectives sont notées H et F. On suppose que H et F sont deux variables aléatoires indépendantes suivant toutes deux la loi uniforme U([0, 60[). Quelle est la probabilité que le premier arrivé attende plus de dix minutes? 2.3 Plusieurs variables aléatoires indépendantes Définition 5 Soient X 1,..., X n des variables aléatoires réelles. On dit que X 1,..., X n sont indépendantes (ou : mutuellement indépendantes, ou totalement indépendantes) si pour tout choix de boréliens B 1,..., B n, on a ( n ) n P {X k B k } = P (X k B k ). k=1 k=1 3 Sommes de variables aléatoires indépendantes 3.1 Convolution Soient X et Y deux variables aléatoires continues et indépendantes, de densités de probabilité respectives notées f X et f Y. Théorème 6 Sous ces hypothèses, la variable aléatoire X + Y admet pour densité de probabilité la fonction f X f Y, appelée produit de convolution de f X par f Y, définie par z R, f X f Y (z) = + f X (z y)f Y (y) dy Démontrer ce théorème en caractérisant la fonction de répartition de Z = X + Y à l aide de la définition de la densité conjointe du couple (X, Y ), en invoquant l indépendance de X et Y et en utilisant le théorème de Fubini pour évaluer l intégrale double. Invoquer alors le théorème de dérivation d une intégrale dépendant d un paramètre pour trouver la densité de probabilité de Z. Vérifier que f X f Y est bien une densité de probabilité, c est-à-dire que c est une fonction continue par morceaux positive dont l intégrale sur R converge et vaut 1. Le produit de convolution définit une nouvelle opération sur les fonctions positives dont l intégrale sur R converge. Elle possède les propriétés suivantes (liste non exhaustive). 5
6 Chapitre 15 MathématiquesÉcole des Mines de Douai FIAAS Proposition 7 (Propriétés du produit de convolution) associativité : (f g) h = f (g h) commutativité : f g = g f distributivité par rapport à l addition (f 1 + f 2 ) g = f 1 g + f 2 g Démontrer ces propriétés à l aide de celles des intégrales. Calculer la densité de probabilité de la somme de deux variables indépendantes suivant toutes deux la loi uniforme U([0, 1]). 3.2 Additivité des lois classiques Théorème 8 Soient X 1,..., X n des variables aléatoires indépendantes suivant respectivement les lois normales N (µ 1, σ 2 1),..., N (µ n, σ 2 n). Alors la variable somme X X n suit la loi normale N (µ µ n, σ σ 2 n). Ce théorème peut s interpréter en considérant chaque variable X k comme une mesure physique dont la valeur «vraie» est µ k et l «incertitude moyenne» (i.e. l écart-type) est σ k. Le théorème dit alors que la somme de ces mesures X X n se répartit normalement autour de la valeur moyenne somme µ µ n et que les carrés des incertitudes s ajoutent. On a des résultats similaires pour des variables aléatoires discrètes de Poisson ou binômiales. Proposition 9 Soient X et Y deux variables aléatoires indépendantes. (1) Si X P(λ) et Y P(µ), alors X + Y P(λ + µ). (2) Si X B(n, p) et Y B(m, p), alors X + Y B(n + m, p). 6 Démontrer ces deux points, d abord en identifiant les différentes valeurs possibles de X + Y, puis, pour chacune d elles, les différentes façons de l obtenir (utiliser une partition de chaque évènement {X + Y = k}). On observera que cette technique est une version «discrète» du produit de convolution rencontré au théorème 6.
7 4 Propriétés de l espérance 4.1 Espérance d une fonction de deux variables Le théorème suivant, extrêmement utile en pratique, est une version bidimensionnelle de deux théorèmes (espérance d une fonction d une variable aléatoire) vus dans les deux chapitres précédents (dans le cadre des variables discrètes puis continues). Théorème 10 Soit g : R 2 R une fonction mesurable (ou continue par morceaux). (1) Si X et Y sont deux variables aléatoires discrètes de loi conjointe p(x, y), alors E [g(x, Y )] = (x,y) X(Ω) Y (Ω) g(x, y) p(x, y). (2) Si X et Y sont deux variables aléatoires conjointement continues de densité conjointe f X,Y, alors E [g(x, Y )] = g(x, y) f(x, y) dx dy R 2 On retrouve alors le résultat déjà exprimé dans les chapitres précédents sur l espérance d une somme comme cas particulier du théorème 10 : Corollaire 11 (Linéarité de l espérance) Etant données deux variables aléatoires X et Y admettant des espérances et deux constantes a, b réelles : E[aX + by ] = a E[X] + b E[Y ]. Si X 1,..., X n sont des variables aléatoires admettant des espérances, alors [ n ] n E X k = E[X k ]. k=1 k=1 Démontrer ce corollaire en choisissant bien la fonction g dans le théorème 10 et en utilisant une récurrence sur le nombre de variables aléatoires. Généraliser le deuxième point du corollaire 11 à une infinité dénombrable de variables aléatoires (attention aux problèmes d existence des quantités manipulées). 4.2 Covariance La définition suivante peut s interpréter comme un «dédoublement» de la définition de la variance. 7
8 Chapitre 15 MathématiquesÉcole des Mines de Douai FIAAS Définition 6 Soient X et Y deux variables aléatoires admettant une espérance. Alors le nombre Cov(X, Y ) = E [(X E[X])(Y E[Y ])], s il existe, s appelle la covariance de X et Y. Proposition 12 Si X et Y sont deux variables aléatoires admettant une variance, alors Cov(X, Y ) existe et vérifie Cov(X, Y ) Var(X) Var(Y ) = σ(x)σ(y ). Démontrer cette proposition dans le cas où X et Y sont toutes deux discrètes ou conjointement continues, à l aide de l inégalité de Cauchy-Schwartz sur les séries ou les intégrales. Proposition 13 (Propriétés de la covariance) On a les relations suivantes (sous réserve d existence des quantités considérées) : (1) Cov(X, Y ) = E[XY ] E[X]E[Y ], (2) Cov(X, X) = Var(X), (3) la covariance définit une forme bilinéaire symétrique positive sur l espace des variables aléatoires admettant une variance. Démontrer cette proposition, notamment à l aide du corollaire 11. En considérant des variables aléatoires constantes non nulles, démontrer que la covariance n est pas un produit scalaire. On jette un dé équilibré. On note X le résultat obtenu, et Y la variable aléatoire définie par Y = 1 si X = 6, Y = 0 sinon. Déterminer les lois de X, Y et XY. Calculer l espérance de ces variables ; en déduire la covariance de X et Y. Comparer avec le produit des écart-types de X et de Y. Corollaire 14 (Variance d une somme) Si X et Y admettent une variance, alors X + Y admet une variance, qui vaut Var(X + Y ) = Var(X) + Var(Y ) + 2 Cov(X, Y ). 8 Démontrer ce corollaire à l aide de la bilinéarité de la covariance évoquée à la proposition 13. Généraliser au cas de n variables aléatoires (en s inspirant de la formule du carré d une somme de n termes), grâce à une récurrence.
9 4.3 Cas de variables indépendantes Examinons ce que donnent les définitions et résultats précédents dans le cas de variables aléatoires indépendantes. Théorème 15 Si X et Y sont deux variables aléatoires indépendantes et si g et h sont deux fonctions continues par morceaux R R, alors, sous réserve d existence de ces quantités : E [g(x) h(y )] = E [g(x)] E [h(y )]. Démontrer ce théorème si X et Y sont continues. On utilisera la proposition 5 et le théorème de Fubini pour les intégrales doubles. Qu obtient-on si les fonctions g et h sont l identité? Remarques 1. La réciproque est fausse bien sûr. 2. Cette relation est fausse en général si X et Y sont dépendantes. Corollaire 16 Si X et Y sont deux variables indépendantes, leur covariance, si elle existe, est nulle : Cov(X, Y ) = 0. Démontrer ce corollaire à l aide du théorème 15 et de l expression de la covariance de la proposition 13. Les variables X et Y de l exemple suivant la proposition 13 sont-elles indépendantes? On considère une variable aléatoire équiprobable prenant les valeurs 1, 0 et 1. On définit la variable Y comme suit : Y = 0 lorsque X 0, Y = 1 si X = 0. Les variables X et Y sont-elles indépendantes? Déterminer la variable aléatoire XY. En déduire la covariance de X et Y. La réciproque du corollaire 16 est-elle vraie? Corollaire 17 (Variance d une somme de variables indépendantes) Si X 1,..., X n sont des variables aléatoires indépendantes admettant une variance, alors la somme X X n admet une variance égale à ( n ) n Var X k = Var(X k ) k=1 k=1 9
10 Chapitre 15 MathématiquesÉcole des Mines de Douai FIAAS Démontrer ce corollaire à l aide du corollaire Corrélation La variance constitue un indicateur de l indépendance (ou «la tendance à l indépendance») de deux variables aléatoires. Cependant, il ne s agit pas d une indication absolue puisque les valeurs possibles pour Cov(X, Y ) vont de σ(x)σ(y ) à σ(x)σ(y ). Il est donc naturel de chercher à normaliser cet indicateur ; c est l objet de la définition suivante. Définition 7 Si X et Y sont deux variables aléatoires admettant des variances non nulles, on définit le coefficient de corrélation linéaire de X et Y par la formule suivante : ρ(x, Y ) = Cov(X, Y ) σ(x)σ(y ). Calculer le coefficient de corrélation des variables X et Y de l exemple suivant la proposition 13. Proposition 18 (Propriétés du coefficient de corrélation) Avec ces mêmes notations et hypothèses : (1) ρ(x, Y ) [ 1, 1] ; (2) si X et Y sont indépendantes, ρ(x, Y ) = 0. Vérifier cet énoncé à l aide des propriétés de la covariance. On peut bien sûr énoncer d autres propriétés du coefficient de corrélation ; celui-ci est surtout utilisé en statistiques. 5 Théorèmes limites 5.1 Inégalités de Markov et Tchebytcheff Ces inégalités fournissent un «retour d expérience» du calcul de l espérance sur la loi de la variable aléatoire sous la forme d un minorant de la fonction de répartition. L importance de ces résultats est principalement théorique, ils permettent de démontrer la convergence de certaines lois de probabilité. Théorème 19 (Inégalité de Markov) Soit X une variable aléatoire à valeurs positives admettant une espérance. Alors a > 0, P (X a) E[X] a. 10
11 Démontrer ce théorème en considérant la variable aléatoire Y définie par 1 si X a Y = 0 sinon. Traduire le théorème 19 sous forme d une minoration de la fonction de répartition de X. L inégalité de Tchebytcheff suivante fournit un majorant de la probabilité qu une variable X s écarte de son espérance. Corollaire 20 (Inégalité de Tchebytcheff ) Soit X une variable aléatoire admettant une espérance µ et une variance σ 2. Alors k > 0, P ( X µ k) σ2 k 2. Démontrer ce corollaire en appliquant l inégalité de Markov à la variable aléatoire Y = (X E[X]) 2 et a = k 2. Calculer ce majorant pour une variable aléatoire suivant la loi normale N (µ, σ 2 ). Comparer avec la valeur exacte, fournie par une table, de la probabilité ainsi majorée. 5.2 Loi faible des grands nombres Théorème 21 (Loi faible des grands nombres) Soit (X n ) n N une suite de variables aléatoires indépendantes suivant toutes la même loi, d espérance commune µ. La variable aléatoire Y n = X 1+ +X n converge en probabilité vers µ. Cela signifie n que ( ) X X n ε > 0, P µ n > ε n + 0. On suppose que les X n ont une variance commune σ 2. Quelle sont alors l espérance et la variance de Y n? En appliquant l inégalité de Tchebytcheff, démontrer le théorème 21 avec cette hypothèse d existence de σ Théorème de la limite centrale Le résultat suivant est l un des théorèmes les plus importants de la théorie des probabilités ; il est d une importance théorique et pratique très élevée. 11
12 Chapitre 15 MathématiquesÉcole des Mines de Douai FIAAS Théorème 22 (Théorème de la limite centrale) Soit (X n ) n N une suite de variables aléatoires indépendantes, suivant toutes la même loi, d espérance et variance communes µ et σ 2 respectivement. Alors la variable aléatoire Y n = X 1+ +X n nµ σ converge en loi vers la loi standard N (0, 1). Cela signifie que la n suite (F Yn ) n N des fonctions de répartition des variables Y n converge simplement vers la fonction Φ : ( ) X1 + + X n nµ a R, P σ a n Φ(a) = 1 a e x2 2 dx. n + 2π Quelles sont l espérance et la variance de Y n? ) ( 10 Calculer une approximation de P X k > 6 lorsque X 1,..., X 10 sont des k=1 variables aléatoires suivant la loi uniforme U([0, 1]). On utilise très souvent le théorème de Moivre-Laplace, qui peut être vu comme cas particulier du théorème de la limite centrale. Corollaire 23 (Théorème de Moivre-Laplace) Soient p ]0, 1[ et (S n ) une suite de variables aléatoires telle que pour tout n N, la variable S n suit la loi binomiale B(n, p). Alors la suite de variables aléatoires (Y n ) définie par n N, Y n = S n np np(1 p) converge en loi vers la loi standard N (0, 1). Rappeler la définition de la loi B(n, p), son espérance et sa variance. En déduire la démonstration de ce corollaire. Un fermier possède un troupeau de 100 vaches et deux étables de N places. Lorsque les vaches rejoignent leurs pénates, chacune d elles choisit une étable au hasard. Quelle doit être la valeur minimale de N pour que la probabilité que chaque vache trouve une place sans que le fermier ait à intervenir soit supérieure ou égale à 0, 9? En pratique, l approximation obtenue de la loi binomiale par la loi normale donnée par le théorème de Moivre-Laplace est très bonne dès que np(1 p) > 9. 6 Exercices 12 Les exercices 1, 5 et 7 sont à préparer.
13 Exercice 1 Une urne contient des boules numérotées de 1 à n. On en tire deux successivement avec remise, et on note respectivement X et Y le plus grand et le plus petit des numéros tirés. 1. Déterminer la loi conjointe de X et Y. 2. Déterminer les lois marginales de X et Y. Calculer leurs espérances. 3. Calculer la covariance de X et Y. Ces variables aléatoires sont-elles indépendantes? 4. Calculer Var(X + Y ). Exercice 2 Soient X et Y deux variables aléatoires indépendantes, suivant la même loi géométrique de paramètre p. On pose U = max{x, Y } et V = min{x, Y }. 1. Déterminer la loi conjointe du couple (U, V ). En déduire les lois marginales de U et V. 2. Vérifier que U + V = X + Y. Calculer l espéance de V puis celle de U. Exercice 3 Soit n N. Au cours d un championnat sportif, une équipe donnée rencontre n adversaires. À chaque rencontre, sa probabilité de victoire est p, elle gagne alors un point ; sa probabilité de défaite est q, elle perd alors un point ; sa probabilité de faire match nul est r, elle ne gagne aucun point mais n en perd aucun. On suppose que p, q, r ]0, 1[. Quelle relation vérifient-ils? On suppose les résultats des rencontres indépendants les uns des autres. Soient A le nombre de victoires, B le nombre de défaites, C le nombre de matchs nuls et X le nombre de points de l équipe à la fin du championnat. 1. Montrer que A, B et C suivent des lois binômiales que l on précisera. 2. Vérifier que la loi conjointe du couple (A, B) est donnée par n! i, j {0,..., n}, P ({A = i} {B = j}) = i! j! (n i j)! pi q j r n i j si i + j n 0 sinon. 3. Quelle relation lie A, B et C? En déduire que Cov(A, B) = npq. 4. En utilisant l expression de X en fonction de A et B, calculer l espérance et la variance de X. 13
14 Chapitre 15 MathématiquesÉcole des Mines de Douai FIAAS Exercice 4 Soient X et Y deux variables aléatoires indépendantes suivant toutes les deux la loi de Bernouilli B(1, p), où p ]0, 1[. 1. Déterminer la loi conjointe du couple (S, D) où S = X + Y et D = X Y. 2. Déterminer les lois marginales de ce couple. Calculer E[S] et E[D]. 3. Les variables S et D sont-elles indépendantes? 4. Calculer Cov(S, D) puis ρ S,D. Exercice 5 Un couple de variables aléatoires (X, Y ) admet pour fonction de répartition simultanée 1 1 F : (x, y) 1 + x y + 1 si x 0 et y x + y 0 sinon. 1. Calculer la densité conjointe de X et Y, ainsi que leurs densités marginales. Ces variables sont-elles indépendantes? 2. Déterminer la loi de la variable aléatoire X + Y. Exercice 6 Soient α ] 1, 1[ et (X, Y ) un couple de variables aléatoires admettant pour densité conjointe la fonction f définie par (x, y) R 2, f(x, y) = K 2π exp [ 1. Calculer la constante K en fonction de α. x2 + 2αxy + y 2 ] 2 2. Montrer que les lois marginales de X et Y sont des lois normales dont on précisera les paramètres. 3. Calculer la covariance de X et Y et étudier leur indépendance. Exercice 7 Soit (X, Y ) un couple de variables aléatoires admettant pour densité conjointe la fonction 1 si 0 < y < x < 1 x f : (x, y) 0 sinon. 1. Vérifier que f est bien une densité de probabilité. 2. Déterminer les lois marginales de X et Y. Ces variables sont-elles indépendantes? 3. Déterminer une densité de X Y. En déduire Cov(X, Y ). 14
15 Exercice 8 1. On dit qu une variable aléatoire suit la loi de Laplace de paramètre λ > 0 (parfois : loi exponentielle bilatérale de paramètre λ) si elle admet pour densité la fonction f : x 1 2 λe λ x. 1.1 Vérifier qu il s agit bien d une densité de probabilité. 1.2 Déterminer la fonction de répartition d une variable Z suivant la loi de Laplace de paramètre Soient Z 1 et Z 2 deux variables aléatoires indépendantes suivant toutes les deux la loi de Laplace de paramètre 1. Déterminer une densité de V = Z 1 + Z Dans cette question, X et Y sont deux variables aléatoires indépendantes suivant toutes les deux la loi exponentielle de paramètre 1 ; on pose Z = X Y Déterminer la fonction de répartition puis une densité de Y. 2.2 Déterminer une densité de Z et vérifier que Z suit la loi de Laplace de paramètre 2.3 Calculer l espérance de Z. 2.4 On pose T = Z. Déterminer la fonction de répartition de T et vérifier que T suit une loi exponentielle dont on donnera le paramètre. Exercice 9 Une entreprise compte 300 employés. Chacun d eux téléphone en moyenne 6 minutes par heure. Quel est le nombre de lignes que l entreprise doit installer pour que la probabilité que toutes les lignes soient utilisées au même instant soir au plus égale à 0, 025? On utilisera une approximation par une loi normale. Exercice 10 M. Durand effectue 2 fois par jour, 5 jours par semaine et 46 semaines par an un trajet en voiture dont la durée est une variable aléatoire réelle qui suit une loi d espérance 45min et d écart-type 10min. On suppose que les durées des trajets sont mutuellement indépendantes. En utilisant le théorème de la limite centrale, déterminer la probabilité que M. Durand passe au moins 350h dans sa voiture au cours d une année. 15
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 détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailIntégration sur des espaces produits
Chapitre 5 Intégration sur des espaces produits 5.1 Produit de deux mesures Étant donnés deux espaces mesurés (Ω 1, F 1, µ 1 ) et (Ω 2, F 1, µ 2 ), le but de cette section est de construire une mesure
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailContinuité 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* 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 détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailCours 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 détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailThéorie de la Mesure et Intégration
Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY 2 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble
Plus en détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
Plus en détailI. Cas de l équiprobabilité
I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus
Plus en détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5 ARTHUR CHARPENTIER 1 Un certain test médical révèle correctement, avec probabilité 0.85, qu une personne a le sida lorsqu elle l a vraiment et révèle incorrectement,
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailProbabilités et Statistique
Ricco Rakotomalala Probabilités et Statistique Notes de cours Université Lumière Lyon 2 Avant-propos Ce document est un support de cours pour les enseignements des probabilités et de la statistique. Il
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailProduits d espaces mesurés
Chapitre 7 Produits d espaces mesurés 7.1 Motivation Au chapitre 2, on a introduit la mesure de Lebesgue sur la tribu des boréliens de R (notée B(R)), ce qui nous a permis d exprimer la notion de longueur
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailCorrection du baccalauréat 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 détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en détail