Exercices de simulation 1
|
|
- Pierre-Marie St-Georges
- il y a 8 ans
- Total affichages :
Transcription
1 Licence MIA 2ème année Année universitaire Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab. Représentations graphiques associées L instruction rand de Scilab permet de simuler une loi aléatoire uniforme sur [0, 1]. Par ailleurs, l histogramme d un échantillon peut être tracé avec l instruction histplot. Exercice 1 (a) Effectuer la simulation de N réalisations indépendantes d une loi uniforme avec l instruction rand. (b) Avec l instruction plot2d, proposer une visualisation permettant de s assurer expérimentalement que les couples choisis parcourent à peu près uniformément le segment [0, 1]. (c) Tracer l histogramme en K classes de cet échantillon avec l instruction histplot et le comparer avec la répartition théorique parfaite. On s assurera pour cela de choisir convenablement K etn. Exercice 2 Simulation d un nombre tiré au hasard uniformément sur un intervalle. (a) Écrire une fonction Scilab uniforme(n,a,b) dont les arguments sont l entier N et les réels a, b et qui donne en sortie une ligne de taille N dont les coefficients simulent des variables aléatoires indépendantes de loi de probabilité uniforme U([a, b]). (b) Visualiser pour un certain choix de N, a et b, un échantillon de N tirages indépendants de loi de probabilité U([a, b]) sur un histogramme. (c) Superposer à l histogramme la courbe représentant la densité de probabilité U([a, b]). Exercice 3 Écrire un programme permettant de simuler une loi uniforme sur le carré unité [0, 1] [0, 1]. Avec l instruction plot2d, proposer une visualisation permettant de s assurer expérimentalement que les couples choisis parcourent à peu près uniformément le carré [0, 1] [0, 1]. 1. Certains exercices de cette feuille ont été conçus par Laurent Dumas : dumas.
2 Lancers de dé L instruction rand permet également de générer des lois discrètes comme les lois de pile ou face ou de lancer d un dé. Exercice 4 Écrire en utilisant les instructions rand et int (partie entière) une fonction simulant le résultat d un lancer d un dé honnête à six faces. Vérifier la validité de cette fonction à l aide d un histogramme. Le paradoxe du chevalier de Méré. Est-il avantageux, lorsqu on joue au dé, de parier sur l apparition d un 6 en lançant 4 fois le dé? Est-il avantageux de parier sur l apparition d un double-six, quand on lance 24 fois deux dés? Le chevalier de Méré, qui était très joueur, avait remarqué que le premier jeu était avantageux. Se laissant abuser par un soi-disant argument d homothétie, le chevalier considérait que le deuxième pari était aussi avantageux : en lançant un dé, il y a 6 issues ; en lançant deux 2 dés, il y en a 36, soit 6 fois plus. Puisqu il est avantageux de parier sur l apparition d un 6 en lançant le dé 4 fois de suite, il doit être avantageux de miser sur l apparition d un double-six en lançant un dé 24 = 4 6 fois de suite. Malheureusement pour le chevalier, les règles des probabilités sont plus complexes, et c est Pascal qui calcula la vraie probabilité, très légèrement inférieure à 1/2. Le deuxième jeu n est pas avantageux. Exercice 5 Le paradoxe du chevalier de Méré. (a) Calculer les probabilités de succès de chacun des deux jeux. (b) À l aide de boucles emboîtées, retrouver la probabilité de succès du premier jeu. (c) En effectuant un grand nombre N de simulations, vérifier approximativement que le premier jeu est avantageux. (d) En effectuant un grand nombre N de simulations, vérifier approximativement que le second jeu n est pas avantageux. Remarque. Pour bien faire, il faudrait calculer des intervalles de confiance. Nous y reviendrons plus tard. Exercice 6 Simulation d un dé quelconque. (a) Écrire une fonction Scilab de2(n,p1,p2,p3,p4,p5) dont les arguments sont le paramètre entier N ainsi que les probabilités d occurence 0 < p 1, p 2, p 3, p 4, p 5 < 1 des faces numérotées de 1 à 5 et qui donne en sortie une matrice 1 N dont les coefficients simulent une série de N lancers indépendants de ce dé pipé. (b) Visualiser un échantillon de N lancers indépendants de ce dé à l aide d un diagramme en barres. (c) Le visualiser aussi à l aide d un histogramme. (d) Superposer à l histogramme un diagramme en barres représentant la distribution théorique. (e) Faire varier la valeur de N.
3 Simulation d une loi exponentielle Nous appliquons maintenant la méthode d inversion de la fonction de répartition pour simuler un échantillon de loi exponentielle à l aide de rand. On rappelle que la fonction de répartition de la loi exponentielle de paramètre λ > 0, notée E(λ), est donnée par { 1 e λt si t 0 F (t) = 0 si t < 0 Exercice 7 (a) Écrire un script permettant de simuler un échantillon de taille M de la loi E(λ) à l aide de la méthode d inversion de la fonction de répartition. (b) Tracer l histogramme en K classes de cet échantillon. (c) Calculer la densité de probabilité de E(λ). (d) Superposer à cet histogramme la densité que vous venez de calculer. Simulation d une loi normale L instruction rand avec le troisième argument n permet de simuler une loi normale standard, notée N (0, 1), dont la densité de probabilité est donnée par φ(x) = 1 2π e x2 /2, x R. (1) Exercice 8 (a) Effectuer la simulation de M réalisations indépendantes d une loi gaussienne avec l instruction rand. (b) Tracer l histogramme en K classes de cet échantillon avec l instruction histplot et comparer-le avec la répartition théorique. On peut aussi montrer que si X et Y sont deux variables indépendantes de loi N (0, 1), en passant en coordonnées polaires, l angle Θ [0, 2π[ et le rayon R > 0 définis par { X = R cos Θ Y = R sin Θ sont des variables aléatoires indépendantes telles que Θ U([0, 2π[) et R 2 E(1/2). Exercice 9 (a) En déduire qu avec U et V deux réalisations indépendantes de U([0, 1]), { X := 2 ln U cos(2πv ) Y := 2 ln U sin(2πv ) définit un couple de variables aléatoires indépendantes de loi N (0, 1).
4 (b) À l aide de la question précédente, écrire un programme qui permet de simuler un échantillon de taille 2M de la loi N (0, 1). (c) Tracer un histogramme en K classes de cet échantillon et le comparer avec la répartition théorique. (d) Représenter graphiquement un échantillon de M points aléatoires indépendants de coordonnées (X, Y ). (e) Tracer un histogramme en 3D de ce nuage de points. Exercices divers Exercice 10 Le problème des anniversaires. Soit une assemblée de n individus dont aucun n est né un 29 Février. (a) En effectuant un grand nombre M d expériences avec l instruction rand, donner une valeur approchée de la probabilité que dans cette assemblée, au moins deux individus soient nés le même jour. (b) Calculer cette probabilité pour n = 24, n = 35 et commenter. (c) On pourra représenter graphiquement l évolution au cours du calcul de l approximation de cette probabilité obtenue en fonction du nombre d expériences déjà réalisées. Exercice 11 Urne de Polya. On s intéresse à l expérience aléatoire suivante dite de l urne de Polya. On considère une urne contenant initialement 1 boule rouge et 1 boule verte. On effectue n tirages successifs se déroulant de la manière suivante. On tire une des boules de l urne puis on la remet dans l urne avec une nouvelle boule de la même couleur (on dispose d un stock infini de boules). On note X n la proportion de boules rouges après ces n tirages. (a) Proposer un script permettant de simuler M expériences indépendantes de l urne de Polya à n tirages. (b) Vérifier (pour n = 10 par exemple) que la valeur moyenne des X n obtenus est proche de la valeur théorique 1/2. (c) En traçant un histogramme, vérifier également que la répartition observée de X n est proche de sa valeur théorique qui est la probabilité uniforme sur l ensemble de valeurs {1/(n + 2),..., (n + 1)/(n + 2)}. Exercice 12 Simulation d un tir aléatoire. (a) Écrire une fonction Scilab tir(n,d) qui prend comme entrées les paramètres entiers N et réel d > 0 et qui donne en sortie une ligne de N valeurs simulant une série de tirs indépendants sur un mur à distance d avec un angle choisi au hasard uniformément dans ] π/2, π/2[. (b) Visualiser un grand échantillon de tirs indépendants à l aide d un histogramme. (c) On fera varier d pour analyser son influence. (d) Superposer à l histogramme la courbe représentant la densité de probabilité de Cauchy f X (x) = d 1 π d 2 + x. 2
5 Tirages de Bernoulli en grand nombre Exercice 13 Simulation de tirages de Bernoulli. (a) Écrire une fonction Scilab bernoulli(p,n,m) qui prend comme entrées les paramètres entiers N, M et le réel 0 < p < 1 et qui donne en sortie une matrice N M dont les coefficients simulent des variables aléatoires indépendantes qui suivent la loi de probabilité B(p) de Bernoulli de paramètre p. Indication. On utilisera la commande bool2s appliquée à function B=bernoulli(p,N,M) B=(rand(N,M)<p); (b) Visualiser dans trois fenêtres graphiques séparées, pour p = 0.5, p = 0.2 et p = 0.8, un grand échantillon de tirages indépendants de loi de probabilité B(p) sur un diagramme en barres. On désigne par S n (comme somme ou bien succès) la réalisation d une loi binomiale de paramètres n et 0 < p < 1, notée B(n, p). On rappelle qu on peut représenter S par S n = n X i, i=1 qui est le nombre de 1 obtenus à l issue de n tirages indépendants de variables de Bernoulli (X i ) 1 i n de paramètre p. Si par exemple X i vaut 0 en cas d échec et 1 en cas de succès à la ième occurence d un jeu répété, que ses répétitons sont indépendantes et qu à chaque fois votre probabilité de succès est de p, alors S n est le nombre de vos succès à l issue de n parties. Exercice 14 Loi binomiale. (a) Calculer l espérance et la variance de S n. (b) Écrire une fonction Scilab binomiale(n,p,m) dont les arguments sont les paramètres n et p ainsi qu un entier M, et qui donne en sortie un vecteur ligne de longueur M dont les coefficients sont indépendants et suivent la loi B(n, p). (c) Visualiser à l aide d un histogramme ces simulations pour différentes valeurs de n, p et M. (d) Visualiser aussi vos simulations sur un diagramme en barres. (e) Calculer la moyenne et la variance empiriques des échantillons et les comparer aux valeurs théoriques. Loi des grands nombres C est un théorème de la théorie des probabilités qui énonce que lorsque X 1,..., X n,... est une suite de variables aléatoires indépendantes de même loi que la variable X, alors si X est telle que E X <, nous avons X 1 + X n n EX n
6 en un certain sens qui vous sera préciser dans les prochains mois. Ce qui est remarquable, c est qu à gauche la moyenne observée (X 1 + X n )/n est une variable aléatoire alors qu à droite EX est un nombre qui n a rien d aléatoire. Lors d un grand nombre n d observations X 1,... X n, la moyenne empirique (X 1 + X n )/n de ces observations est proche de la moyenne théorique EX. On souhaite maintenant étudier le comportement lorsque n tend vers l infini de la proportion empirique de succès S n /n où S n suit une loi B(n, p). Exercice 15 Un fichier de commandes (ou script) est un fichier texte d extension.sce qui contient une suite d instructions qui sont exécutées par la commande exec("nomfich.sce"). Le fichier de commandes lgn_bernoulli suivant trace pour 10 expériences successives l évolution de la proportion de succès obtenus lors de n tirages de Bernoulli de paramètre p pour n variant de 1 a 300. p=input("entrer le parametre p ="); "appuyer sur entree pour la simulation suivante..." for i=1:10, B=bernoulli(p,1,300); S=cumsum(B); n=1:300; P=S./n; clf; plot2d(p); pp=p*ones(1,300); plot2d(pp); halt(); end; (a) Tester le fichier lgn_bernoulli. (b) Le modifier pour qu il permette de choisir le nombre M de simulations et la longueur n de la séquence de jeux répétés effectuée au cours de chaque simulation, trace la valeur de p en rouge, et trace les courbes dans la même fenêtre graphique (commande subplot). On vient de voir une illustration d un théorème fondamental : la loi des grands nombres. Théorème central limite Nous allons montrer dans le prochain exercice que la variable S n /n p est d espérance nulle et de variance p(1 p)/n et en déduire que Z n := n (S n /n p) = S n np n est de variance Var(Z n ) = p(1 p). Le théorème central limite énonce que lorsque n tend vers l infini, la variable aléatoire Z n se comporte de plus en plus comme une variable aléatoire Z de loi N (0, σ 2 ) normale centrée de même variance σ 2 = p(1 p) que Z n. La densité de la loi N (0, σ 2 ) est f Z (z) = 1 2πσ exp ( z2 2σ 2 ), z R. (2)
7 Exercice 16 (a) Montrer que E[(S n np)/n] = 0 et Var[(S n np)/n] = p(1 p)/n. (b) En déduire que Var(Z n ) = p(1 p). (c) Écrire une procédure tcl_bernoulli qui demande la valeur des paramètres p et n ainsi que le nombre M de répétitions de l expériences ; classe dans un histogramme dont les classes sont centrées aux points -4:delta:4 où delta est choisi en fonction du nombre M de réalisations aléatoires indépendantes de Z n ; affiche en surimpression sur l histogramme la courbe de la densité f Z normale centrée de variance σ 2 = p(1 p). Exercice 17 Évolution de S n en fonction de n. (a) Effectuer N tirages de pile (+1) ou face (-1) avec p = 1/2. (b) Tracer l évolution de votre gain S n en fonction de n variant de n = 0 à n = N. Par convention S 0 = 0. (c) Superposer à ce graphique la courbe nulle ainsi que les courbes de ± n et ±2 n. Grand échantillon de loi exponentielle La loi des grands nombres et le théorème central limite sont satisfaits pour toute loi admettant une variance finie. L exercice qui suit les met en situation avec un échantillon de loi exponentielle. Exercice 18 Un grand échantillon de loi exponentielle. Soit T une variable aléatoire de loi exponentielle E(λ). On définit la variable aléatoire Z n := S n n/λ n/λ 2 où S n = T T n est la somme des valeurs d un échantillon T 1,..., T n de taille n de la loi E(λ). (a) Montrer que ET = 1/λ et Var(T ) = 1/λ 2. En déduire que EZ n = 0 et Var(Z n ) = 1. (b) Simuler un échantillon de taille M de la variable S n /n. (c) En modifiant le script obtenu lors de l exercice sur la loi des grands nombres pour les tirages de Bernoulli, mettre en évidence la loi des grands nombres pour S n /n. (d) Simuler un échantillon de taille M de la variable Z n. (e) Représenter ces M valeurs de Z n à l aide d un histogramme à K classes partitionnant le segment [ 4, 4]. (f) Superposer à l histogramme la densité φ d une variable normale centrée de variance 1 donnée en (1) lors des exercices de simulation de la loi normale ainsi qu en (2) un peu plus haut. (g) Faire varier la valeur n.
8 Mouvement brownien Reprenons le jeu de pile ou face. Après k 1 lancers, votre gain S k a la même loi que 2 S k k où S k suit une loi binomiale B(k, 1/2). Son espérance et sa variance valent ES k = 0 et VarS k = k. Fixons un nombre entier n grand et supposons que pendant une unité de temps vous jouiez n fois à pile ou face. À l instant t 0 vous aurez joué nt fois, en notant u la partie entière de du nombre réel u 0. Par exemple avec n = 100, à l instant t = 0.5 vous avez joué 50 fois et à l instant t = vous avez joué 345 fois. Votre gain à l instant t est donc S nt, t 0. Or, l écart-type de S nt vaut nt de sorte que celui de := S nt, t 0 n B (n) t est proche de t. Nous avons donc pour tout t 0, EB (n) t = 0 et σ(b (n) t ) t. D autre part, on peut interpréter B (n) t comme la position d une particule à l instant t qui est issue de B (n) 0 = 0 à l instant t = 0 et qui a sauté de ±1/ n, n fois par unité de temps sur la base d un jeu de pile ou face équilibré. Lorsque n est grand la particule saute très souvent (avec la fréquence 1/n) en faisant de très petit sauts (d une amplitude 1/ n.) Remarquons que si tous les sauts étaient positifs, c est-à-dire s ils valaient tous +1/ n, à l instant t la particule se trouverait à la position n/ n = n qui tend vers l infini avec n. Mais la probabilité de cet événement est de 2 nt ce qui est extrêmemnt petit. Par exemple, avec n = 100 et t = 1, En fait, lorsque n est grand, la loi des grands nombres nous dit qu il y a essentiellement la même proportion de sauts positifs et négatifs. C est cette compensation qui fait que B (n) t n explose pas, dans la plupart des cas, lorsque n tend vers l infini. Nous allons maintenant simuler expérimentalement avec n assez grand, la trajectoire aléatoire t [0, T ] B (n) t R. Exercice 19 Mouvement brownien unidimensionnel. (a) Effectuer N tirages de pile (+1) ou face (-1) avec p = 1/2. (b) Fixer un pas de temps 1/n et un instant maximal T ; par exemple n = 100 et T = 5. Tracer l évolution de votre gain B (n) t en fonction de t [0, T ]. (c) Superposer à ce graphique la courbe nulle ainsi que les courbes de ± t et ±2 t. Lorsque n tend vers l infini, on peu donner un sens à lim n B (n) t := B t, 0 t T. La trajectoire aléatoire limite B = (B t ) 0 t T est appelée le mouvement brownien. Le mouvement brownien en d dimension est la trajectoire aléatoire qui à tout t [0, T ] associe B(t) = (B 1 (t),..., B d (t)) R d où B 1,..., B d sont des mouvements browniens indépendants. Exercice 20 Mouvement brownien en dimension 2 et 3. (a) Simuler un mouvement brownien en dimension 2 et tracer son chemin sur R 2. (b) Simuler un mouvement brownien en dimension 3 et tracer son chemin sur R 3. Utiliser pour cela l instruction param3d.
Loi 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 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 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 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 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 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 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 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 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 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 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 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 détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
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 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 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 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 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 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 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 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 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 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 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 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 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 détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en 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 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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
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 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 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 détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
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 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 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 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 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 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 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 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 détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
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 détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en 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 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 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 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 détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
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 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 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 détailRéseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.
Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
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 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 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 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 détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en 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 détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en 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 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 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 détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
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 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 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 détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
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 détailPRÉCIS DE SIMULATION
PRÉCIS DE SIMULATION P. Del Moral Centre INRIA Bordeaux Sud-Ouest & Institut de Mathématiques de Bordeaux Université Bordeaux I, 351, cours de la Libération 33405 Talence, France Table des matières 1
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 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 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 détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
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 détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
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 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 détailF411 - Courbes Paramétrées, Polaires
1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013
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 détailCNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité
1 CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité Une situation fréquente en pratique est de disposer non pas d un résultat mais de plusieurs. Le cas se présente en assurance, par exemple :
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 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 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 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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
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 détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
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 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 détailNOTIONS DE PROBABILITÉS
NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...
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 détail