3 Variables aléatoires discrètes
|
|
- Gabriel Mongeau
- il y a 6 ans
- Total affichages :
Transcription
1 Leçon n o 3 Variables aléatoires discrètes 9 Niveau Terminale S Prérequis probabilités Références [9], [10] 3.1 Loi de probabilités. Fonction de répartition Exemple 3.1 On tire au hasard une boule dans une urne. Cette urne contient une boule rouge R, une verte V, une bleue B. On remet la boule dans l urne et on effectue un deuxième tirage. On suppose qu il y a équiprobabilité dans les deux tirages. Soit Ω = {(R, R), (R, V ), (R, B), (V, R), (V, V ), (V, B), (B, B), (B, R), (B, V )}. Il y a neuf événements élémentaires. Il y a équiprobabilité, donc la probabilité de chaque événement élémentaire est p = 1 9. La probabilité de tirer au moins une boule verte est : q = 5 9. On fixe la règle suivante : «Si on tire une boule rouge, on gagne 6 euros, verte, on gagne 1 euro, bleue, on perd 4 euros.» On définit ainsi une application de Ω dans R, cette application est appelée variable aléatoire. Voici les gains et perte du jeu : Tirage 1 Tirage 2 Ω Gain (en euros) R R (R, R) 12 R V (R, V ) 7 R B (R, B) 2 V R (V, R) 7 V V (V, V ) 2 V B (V, B) -3 B R (B, R) 2 B V (B, V ) -3 B B (B, B) -8 Définition 3.2 Lorsque qu à chaque événement élémentaire ω d un univers Ω, on associe un nombre réel, on dit que l on définit une variable aléatoire (réelle). Une variable est donc une application X : Ω R. Elle est dite discrète si Ω N. Exemple 3.3 On lance trois fois une pièce non truqué et on compte le nombre de fois où on obtient «Face». On définit ainsi une variable aléatoire X : Ω R avec : Ω = {P P P, P P F, P F P, F P P, P F F, F P F, F F P, F F F }
2 10 Leçon n o 3 Variables aléatoires discrètes et X(P P P ) = 0, X(P P F ) = 1, X(P F P ) = 1, X(F P P ) = 1 X(F F P ) = 2, X(F P F ) = 2, X(P F F ) = 2, X(F F F ) = 3. Définition 3.4 Loi de probabilité. Soit P une probabilité sur un univers Ω. Soit X une variable aléatoire définie sur Ω telle que X(Ω) soit fini de cardinal n. Lorsqu à chaque valeur x i (1 i n) de X on associe les probabilités p i de l événement «X = x i», on dit que l on définit une loi de probabilité P X de la variable aléatoire X. Exemple 3.5 Dans l exemple précédent, on a équiprobabilité de Ω (la probabilité d obtenir un des événements élémentaires étant de 1 8 ). La probabilité d obtenir 2 fois le côté face de la pièce est de : P X (2) = P (X = 2) = 3 8. Définition 3.6 Fonction de répartition. La fonction de répartition de la variable aléatoire X est la fonction F telle que : F : R [0, 1] x F (x) = P (X x). Propriété 3.7 La fonction de répartition est toujours une fonction croissante et bornée par 0 et 1. Exemple 3.8 Avec l exemple précédent, on a : Pour x ], 0[, on a : F (x) = 0 Pour x ]0, 1], on a : F (x) = 1 8 Pour x ]1, 2], on a : F (x) = = 1 2 Pour x ]2, 3], on a : F (x) = = 7 8 Pour x ]3, 4], on a : F (x) = = 1. Voici la représentation graphique :
3 3.2 Espérance mathématique 11 0, 75 y [ 0, 5 [ [ [ x 3.2 Espérance mathématique Définition 3.9 Espérance mathématique. Soient Ω l univers correspondant à une expérience aléatoire, P une probabilité sur Ω et X une variable aléatoire sur Ω telle que X(Ω) soit fini a. On note {x 1,..., x n } l ensemble X(Ω) (c est-à-dire l ensemble des valeurs prises par X. L espérance mathématique de la variable aléatoire X est le nombré, noté E(X), défini par : où p i = P (X = x i ). E(X) = p i x i = p 1 x 1 + p 2 x p n x n a. Si X(Ω) est infini dénombrable, l espérance existe encore sous réserve de la convergence (absolue) de la série de terme général x np n. R 3.10 L espérance est la moyenne des valeurs x i pondérées par les probabilités p i. Exemple 3.11 On reprend l exemple de la pièce de monnaie. On a : E(X) = = 3 2. R 3.12 On pourrait aussi calculer l espérance E(X) en revenant aux événements élémentaires de l univers Ω au lieu d utiliser les valeurs x i de la variable aléatoire X : E(X) = ω Ω P (ω)x(ω). Exemple 3.13 Suite à la remarque 3.2. Sur l exemple précédent, comme P (ω) = 1 8, cela donne-
4 12 Leçon n o 3 Variables aléatoires discrètes rait : E(X) = 1 X(ω) 8 ω Ω = 1 [X(P P P ) + X(P P F ) + X(P F P ) + X(F P P ) 8 + X(P F F ) + X(F P F ) + X(F F P ) + X(F F F )] = 1 8 ( ) = 3 2. Théorème 3.14 Linéarité de l espérance. Soient X et Y deux variables aléatoires définies sur le même univers Ω de cardinal fini. Soit P une probabilité sur Ω. On a : E(X + Y ) = E(X) + E(Y ). En particulier, si b est un réel : et pour tout réel k, E(X + b) = E(X) + b E(kX) = ke(x). Développement Démonstration du théorème 3.14 On a : E(X + Y ) = ω Ω(X + Y )(ω)p (ω) = X(ω)P (ω) + Y (ω)p (ω) = E(X) + E(Y ). ω Ω ω Ω En prenant Y constante égale à b, on obtient : E(X + b) = E(X) + E(b) = E(X) + b. De plus, E(kX) = kp i x i = k p i x i = ke(x). 3.3 Variance et écart-type Définition 3.15 Variance et écart-type. Soient Ω l univers correspondant à une expérience aléatoire, P une probabilité sur Ω et X une variable aléatoire sur Ω telle que X(Ω) soit fini. On note {x 1,..., x n } l ensemble X(Ω) (c est-à-dire l ensemble des valeurs prises par X).
5 3.3 Variance et écart-type 13 R 3.16 La variance de la variable aléatoire X est le nombre, notée Var(X), défini par : Var(X) = E((X E(X)) 2 ) = p i (x i E(X)) 2 = p 1 (x 1 E(X)) p n (x n E(X)) 2. L écart-type de la variable aléatoire X est le nombre, noté σ(x) défini par : σ(x) = Var(X). 1. La variance est la moyenne des carrés des écarts à la moyenne. 2. La variance est une quantité positive, donc l écart-type est bien défini. Exemple 3.17 Sur le problème du comptage du côté face, on calcule la variance de X : Var(X) = 1 8 ( 0 3 ) ( 1 3 ) ( 2 3 ) ( = ) 3 4. D où : σ(x) = 3 3 Var(X) = 4 = 2. Exemple 3.18 Montrer que l espérance E(X) minimise la fonction f définie par R par : f(x) = mais pas la fonction g définie par : g(x) = p i (x i x) 2 p i x i x. Développement Réponse à l exercice?? La fonction f est dérivable comme somme de fonctions dérivables et on a, pour tout x R : f (x) = 2 p i (x i x) = 2 p i x i 2x p i = 2(E(X) x). On en déduit : f (x) 0 x E(X). Donc f admet un minimum en E(X) (et ce minimum est f(e(x)) = Var(X). L espérance est donc la quantité qui minimise la moyenne des carrés des écarts. Par contre, elle ne minimise ps la moyenne des écarts. En effet, on considère la variable aléatoire X définie par la loi suivante : x i p i 0,9 0,1
6 14 Leçon n o 3 Variables aléatoires discrètes On a : Or : E(X) = p 1 x 1 + p 2 x 2 = 1000 g(e(x)) = p 1 x p 2 x = = 180. g(0) = E(X) = 100. Donc : g(0) < g(e(x)). Conclusion : E(X) ne minimise pas la fonction g et on peut montrer que la médiane est ce minimum. Théorème 3.19 Formule de Koenig. La variance d une variable aléatoire X peut se calculer avec la relation suivante : Var(X) = E(X 2 ) [E(X)] 2. La variance est l écart entre la moyenne des carrés et le carré de la moyenne. Développement Démonstration de la formule de Koeing On rappelle que l espérance d une variable aléatoire constante X = b est égale à la constante b. D après la linéarité de l espérance : D où Var(X) = E(X 2 ) [E(X)] 2. Var(X) = E((X E(X)) 2 ) = E(X 2 2XE(X) + E(X) 2 ) = E(X 2 ) 2E(X)E(X) + E(X) 2 E(1) Exemple 3.20 On reprend l exemple de la pièce de monnaie lancée trois fois de suite. On rappelle que X est le nombre de «face» obtenu. On a déjà calculé E(X), on calcule E(X 2 ) : E(X 2 ) = = 3. D où : Var(X) = E(X 2 ) [E(X)] 2 = = 3 4. Corollaire 3.21 Effet d un changement affine sur la variance et l écart-type. Soit X une variable aléatoire. Soient a et b deux réels. On : Var(aX + b) = a 2 Var(X) et σ(ax + b) = a σ(x). En particulier : et Var(aX) = a 2 Var(X) et σ(ax) = a σ(x) Var(X + b) = Var(X) et σ(x + b) = σ(x). Développement
7 3.4 Exemples de variables aléatoires discrètes 15 Démonstration du corollaire 3.21 D après la formule de Koeing, on a : et d après la linéarité de l espérance, Var(aX + b) = E(a 2 X 2 + 2abX + b 2 ) [E(aX + b)] 2 Var(aX + b) = a 2 E(X 2 ) + 2abE(X) + b 2 [ae(x) + b] 2 D où, par passage à la racine carrée : = a 2 E(X 2 ) + 2abE(X) + b 2 a 2 [E(X)] 2 2abE(X) b 2 = a 2 Var(X). σ(ax + b) = a σ(x). Pour montrer la particularisation, il faut remplacer dans chaque formule b = 0 et a = 1 (selon le cas que l on veut démonter). 3.4 Exemples de variables aléatoires discrètes Loi de Bernoulli Définition 3.22 Une expérience de Bernoulli est une expérience qui n a que deux issues possibles, l une appelée «succès»qui a pour probabilité p, l autre appelée «échec»qui a pour probabilité q = 1 p. Définir une loi de Bernoulli de paramètre p, c est associer une loi de probabilité discrète à cette expérience aléatoire en faisant correspondre la valeur 1 à l apparition d un succès et 0 à celle d un échec. x i 1 0 P (X = x i ) p 1 p Exemple 3.23 Si on lance un dé et qu on nomme «succès» l apparition de la face 6, on définit la loi de Bernoulli suivante : x i 1 0 P (X = x i ) Propriété 3.24 Soit X une variable aléatoire suivant une loi de Bernoulli B(p), alors : L espérance de X vaut E(X) = p. La variance de X vaut Var(X) = pq. Exemple 3.25 Dans l exemple précédent, on obtient E(X) = 1 6 et Var(X) = Loi binomiale Définition 3.26 Loi binomiale. La loi binomiale de paramètres n et p, notée Bin(n, p) est la loi de probabilité du nombre de succès dans la répartition de n expériences de Bernoulli de paramètres p identiques et indépendantes. Elle est définie par : P (X = k) = C k np k q n k, 0 k n. Exemple 3.27 On lance 2 fois un dé bien équilibré. On s intéresse à l apparition de la face 6. Chaque lancer est une expérience de Bernoulli de paramètres 1 6. On obtient donc une loi binomiale Bin(2, 1/6).
8 16 Leçon n o 3 Variables aléatoires discrètes nombre de succès probabilité Propriété 3.28 Soit X une variable aléatoire suivant une loi binomiale Bin(n, p) alors : L espérance de X vaut E(X) = np. La variance de X vaut Var(X) = npq. Exemple 3.29 Dans l exemple précédent, on obtient E(X) = Loi de Poisson et Var(X) = La loi de Poisson modélise des situations où l on s intéresse au nombre d occurrences d un événement dans un laps de temps déterminé ou dans une région donnée. Par exemple : nombre d appels téléphoniques qui arrivent à un standard en x minutes, nombre de clients qui attendent à la caisse d un magasin, nombre de défauts de peinture par m 2 sur la carrosserie d un véhicule... Définition 3.30 La variable aléatoire X suit une loi de Poisson de paramètre λ, notée Pois(λ) avec λ > 0 lorsque sa loi de probabilité vérifie : P (X = k) = e λ λk, k N. k! Exemple 3.31 On considère la variable aléatoire X mesurant le nombre de clients se présentant au guichet 1 d un bureau de poste par intervalle de temps de durée 10 minutes entre 14h30 et 16h30. On suppose que X suit la loi de Poisson de paramètre λ = 5. Développement Pour λ = 5, la table de la loi de Poisson nous donne : k P (X = k) 0, 007 0, 034 0, 084 0, 140 0, 176 0, 176 0, 146 0, 104 0, 065 0, 036 0, 018 0, 008 0, 003 0, 001 0, 000 On peut aussi représenter graphiquement la loi Pois(5) : La probabilité qu entre 14h30 et 14h40, 10 personnes exactement se présentent à ce guichet vaut : P (X = 10) = 0, 018. La probabilité qu entre 15h20 et 15h30, au maximum 3 personnes se présentent à ce
9 3.4 Exemples de variables aléatoires discrètes 17 guichet vaut : P (X 3) = P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) = 0, 265. La probabilité qu entre 16h00 et 16h10, 8 personnes au moins se présentent à ce guichet vaut : P (X 8) = 1 P (X < 8) = 1 [P (X = 0) + P (X = 1) + + P (X = 7)] = 1 0, 867 = 0, 133. Propriété 3.32 Soit X une variable aléatoire suivant une loi de Poisson de paramètre λ, alors l espérance et la variance sont égales et valent E(X) = Var(X) = λ. Exemple 3.33 Dans l exemple précédent, on obtient E(X) = Var(X) = 5.
10 18 Leçon n o 3 Variables aléatoires discrètes
11 Bibliographie [1] Problème des sept ponts de Königsberg, Wikipédia, l encyclopédie libre. [2] C. LE BOT, Théorie des graphes, 2006, wp-content/uploads/2007/03/theorie_graphes.pdf. [3] Coloration des graphes, Apprendre-en-ligne, net/graphes-ancien/coloration/sommets.html [4] O. GARET, Exemples de problèmes de graphes, fr/~olivier.garet/cours/graphes/graphes-documents_d_ accompagnement.pdf. [5] E. SIGWARD & al., Odyssée Mathématiques Terminale ES/L, Hatier, [6] Graphes probabilistes, Terminale ES spécialité. graphe/f4_graphe.pdf [7] G. COSTANTINI, Probabilités (discrètes), Cours de Première S, URL : bacamaths.net. [8] P. RIBEREAU, Cours 5 Probabilités : Notion, probas conditionnelles et indépendance, URL : [9] P. DUVAL, Probabilités, TS. URL : ~duvalp [10] G. COSTANTINI, Probabilités : Généralités, conditionnement, indépendance, Cours de Première S. URL :
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 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 détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en 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 détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
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 détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en 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 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 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 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 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 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 détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
Plus en 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 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 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 détail4. Exercices et corrigés
4. Exercices et corrigés. N 28p.304 Dans une classe de 3 élèves, le club théâtre (T) compte 0 élèves et la chorale (C) 2 élèves. Dix-huit élèves ne participent à aucune de ces activités. On interroge au
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 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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en 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 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 détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en 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 détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailProbabilités 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 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 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 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 détailArbre de probabilité(afrique) Univers - Evénement
Arbre de probabilité(afrique) Univers - Evénement Exercice 1 Donner l univers Ω de l expérience aléatoire consistant à tirer deux boules simultanément d une urne qui en contient 10 numérotés puis à lancer
Plus en détailUniversité Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot. 1 Ensemble fondamental loi de probabilité
Université Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot 1 Ensemble fondamental loi de probabilité Exercice 1. On dispose de deux boîtes. La première contient
Plus en détailDENOMBREMENT-COMBINATOIRE-PROBABILITES GENERALES
BTS GPN ERE ANNEE-MATHEMATIQUES-DENOMBREMENT-COMBINATOIRE-EXERCICE DE SYNTHESE EXERCICE RECAPITULATIF (DE SYNTHESE) CORRIGE Le jeu au poker fermé DENOMBREMENT-COMBINATOIRE-PROBABILITES GENERALES On joue
Plus en détailExemple On lance une pièce de monnaie trois fois de suite. Calculer la probabilité d obtenir exactement deux fois pile.
Probabilités Définition intuitive Exemple On lance un dé. Quelle est la probabilité d obtenir un multiple de 3? Comme il y a deux multiples de 3 parmi les six issues possibles, on a chances sur 6 d obtenir
Plus en détailP1 : Corrigés des exercices
P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
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 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 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 détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
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 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 détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
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 détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
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 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 détailChapitre 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 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 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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailBac 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 détaildénombrement, loi binomiale
dénombrement, loi binomiale Table des matières I) Introduction au dénombrement 1 1. Problème ouvert....................................... 2 2. Jeux et dénombrements...................................
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailIndépendance Probabilité conditionnelle. Chapitre 3 Événements indépendants et Probabilités conditionnelles
Chapitre 3 Événements indépendants et Probabilités conditionnelles Indépendance Indépendance Probabilité conditionnelle Definition Deux événements A et B sont dits indépendants si P(A B) = P(A).P(B) Attention
Plus en détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en 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 détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en 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 détailSéquence 4. Statistiques. Sommaire. Pré-requis Médiane, quartiles, diagramme en boîte Moyenne, écart-type Synthèse Exercices d approfondissement
Séquence 4 Statistiques Sommaire Pré-requis Médiane, quartiles, diagramme en boîte Moyenne, écart-type Synthèse Exercices d approfondissement 1 Introduction «Etude méthodique des faits sociaux par des
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 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 détailProbabilités. Une urne contient 3 billes vertes et 5 billes rouges toutes indiscernables au toucher.
Lycée Jean Bart PCSI Année 2013-2014 17 février 2014 Probabilités Probabilités basiques Exercice 1. Vous savez bien qu un octet est une suite de huit chiffres pris dans l ensemble {0; 1}. Par exemple 01001110
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en 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 détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en 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 détail16 Chapitre 16. Autour des générateurs pseudoaléatoires
Chapitre 16 Chapitre 16. Autour des générateurs pseudoaléatoires Hasard et informatique peuvent paraître antinomiques. Car enfin, comment le circuit imprimé d un ordinateur ou d une calculatrice, parfaitement
Plus en détailExercices de dénombrement
Exercices de dénombrement Exercice En turbo Pascal, un entier relatif (type integer) est codé sur 6 bits. Cela signifie que l'on réserve 6 cases mémoires contenant des "0" ou des "" pour écrire un entier.
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 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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en 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 détailPRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.
PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.. Donner les erreurs en position, en vitesse et en accélération d un système de transfert F BO = N(p) D(p) (transfert en boucle ouverte) bouclé par retour
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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailPlan général du cours
BTS GPN 1ERE ANNEE-MATHEMATIQUES-PROBABILITES-DENOMBREMENT,COMBINATOIRE PROBABILITES Plan général du cours 1. Dénombrement et combinatoire (permutations, arrangements, combinaisons). 2. Les probabilités
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailIntroduction au Calcul des Probabilités
Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Introduction au Calcul des Probabilités Probabilités à Bac+2 et plus
Plus en détailOUTILS STATISTIQUES ET NUMÉRIQUES
UNIVERSITÉ D ORLEANS Année universitaire 211-212 UFR Sciences Master FAC et SAE, 2ème année OUTILS STATISTIQUES ET NUMÉRIQUES POUR LA MESURE ET LA SIMULATION T. Dudok de Wit Université d Orléans 16 septembre
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
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 détailStatistiques à une variable
Statistiques à une variable Calcul des paramètres statistiques TI-82stats.fr? Déterminer les paramètres de la série statistique : Valeurs 0 2 3 5 8 Effectifs 16 12 28 32 21? Accès au mode statistique Touche
Plus en détailPROBABILITÉS CONDITIONNELLES
PROBABILITÉS CONDITIONNELLES A.FORMONS DES COUPLES Pour la fête de l école, les élèves de CE 2 ont préparé une danse qui s exécute par couples : un garçon, une fille. La maîtresse doit faire des essais
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détail