[PDF] Analyse combinatoire et probabilités - Exercices et corrigés - Free
2 jan 2016 · Combien de "nombres" secrets y a-t-il ? Solution 2 1 2 Exercice M-D'un jeu de 52 cartes on tire D'
[PDF] Exercices dAnalyse Combinatoire
Exercices d'Analyse Combinatoire Prof Mohamed El Merouani ENSA de Tétouan Quelle est la probabilité de tirer dans l'ordre : une boule rouge une
[PDF] Révisions : analyse combinatoire et probabilités 1 Analyse - ECS1
Révisions : analyse combinatoire et probabilités 1 Analyse combinatoire Pour aborder un exercice d'analyse combinatoire vous pensez `a
[PDF] Combinatoire & Probabilités Jean-Philippe Javet - JavMathch
L'analyse combinatoire est l'étude des différentes manières de ranger Exercice 1 3: Combien de nombres différents de 5 chiffres distincts peut-on former
[PDF] Analyse Combinatoire
b) Quelle est la probabilité de recevoir une Quinte Floche? («main» de 5 cartes de la même couleur et de hauteurs consécutives) 2) Dé pipé On utilise un dé «
[PDF] Ma0305 probabilités discr`etes L2 URCA 2021-2022 Corrigé des
Corrigé des exercices (Feuille 1) On déduit de cette analyse combinatoire la probabilité demandée sachant que l'on a un cas équiprobable
[PDF] I Analyse combinatoire - Probabilités 1 On tire sans remise deux
Une correction du CS d'exercices en 6SM-FM Juin 2006 VBJ 060607 1 / 5 I Analyse combinatoire - Probabilités 1 On tire sans remise deux cartes d'un
[PDF] Polycopié Probabilités Cours et exercices dhapplications Algérie 2019
des exercices en se basant directement sur les corrigés 1 Probabilité et Probabilité conditionelle 7 1 1 Analyse combinatoire et denombrement
[PDF] Probabilités et statistiques - Denis Vekemans
1 1 Analyse combinatoire sans répétition 3 6 Les axiomes du calcul de probabilités [15] Exercices corrigés - Dénombrement et probabilités :
[PDF] COMBINATOIRES ET PROBABILITÉS - Collège Sismondi
et des exercices qui vous permettront progressivement de vous familiariser et de considéré comme un « mot » de quatre lettres en analyse combinatoire
Analyse combinatoire et probabilités - Exercices et corrigés
1ermars 2014-11:07Dossier d’exercices - Analyse combinatoire et Probabilités87 3 2 Probabilités A chaque élément de E on attribue une valeur de la variable aléatoire X en tenant compte des gains et des pertes (nn)=4 (bb)=-2 (oo)=0 (bn)=1 (bo)=-1 (no)=2
13 Combinatoire et probabilit´es - Université Laval
La combinatoire sert d’outil dans plusieurs probl`emes ´el´ementaires en th´eorie des probabilit´es domaine des math´ematiques qui trouve son origine dans l’´etude des jeux de hasard 1 Deux principes de comptage Les deux principes suivants jouent un rˆole fondamental en combinatoire Principe d’addition : Soit deux ensembles A
Searches related to analyse combinatoire et probabilités exercices et corrigés free
Probabilités-Analyse combinatoire-Théorie 2 Exemple 3 : Un diagramme Lors d’un referendum deux questions étaient posées Sur 100 personnes 65 ont répondu oui à la première question 51 personnes ont répondu oui à la deuxième et 46 ont répondu oui aux deux questions Combien de
Probabilités et statistiques
Denis Vekemans
Table des matières
1 Combinatoire5
1.1 Analyse combinatoire sans répétition . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Cardinal de l"ensemble des applications dedans. . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Cardinal de l"ensemble des injections dedans. . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3 Cardinal de l"ensemble des bijections dedans. . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.4 Cardinal de l"ensemble des parties de. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Analyse combinatoire avec répétition . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 6
2 Statistique descriptive8
2.1 Série statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 8
2.2 Série statistique classée . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . 8
2.3 Caractéristiques des séries statistiques . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Série statistique double . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . 9
3 Espaces probabilisés15
3.1 Expérience aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 15
3.2 Evénements, événements élémentaires . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 15
3.3 Ensemble fondamental, référentiel . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . 15
3.4 Algèbre des événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 15
3.4.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 15
3.4.2 Propriétés diverses . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 16
3.5 Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 17
3.5.1 Le schéma d"urne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 17
3.5.2 La loi des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 17
3.5.3 Calcul de la probabilité d"un événement . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . 17
3.6 Les axiomes du calcul de probabilités . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 22
3.6.1 Enoncé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . 22
3.6.2 Conséquences et propriétés . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 23
3.6.3 Lien entre la probabilité de l"union et celle de l"intersection de deux événements . . . . . . . . . 23
3.6.4 Formule du crible ou formule de Poincaré . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . 24
3.7 Probabilité conditionnelle, indépendance . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 25
3.7.1 Probabilité conditionnelle . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . 25
?Laboratoire de mathématiques pures et appliquées Joseph Liouville ; 50, rue Ferdinand Buisson BP 699 ; 62 228 Calais cedex ; France
1PLC1Probabilités et statistiques2010
3.7.2 Propriété . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 25
3.7.3 Indépendance en probabilité . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 26
3.7.4 Le théorème de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 27
3.7.5 Indépendance mutuelle d"un nombre fini d"événements .. . . . . . . . . . . . . . . . . . . . . . 28
3.7.6 Indépendance deux à deux d"un nombre fini d"événements. . . . . . . . . . . . . . . . . . . . . 28
3.7.7 Pas d"implication entre les notions d"indépendance mutuelle et deux à deux d"un nombre fini
d"événements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . 28
3.7.8 Indépendance totale d"un nombre fini d"événements . . .. . . . . . . . . . . . . . . . . . . . . 28
3.8 Epreuves répétées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 28
3.8.1 Epreuves répétées non exhaustives . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . 28
3.8.2 Epreuves répétées exhaustives . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . 29
4 Variables aléatoires réelles30
4.1 Notion de variable aléatoire réelle . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 30
4.2 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 31
4.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 31
4.4 Remarques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 31
4.5 Convergence en probabilité d"une variable aléatoire . .. . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5 Variables aléatoires réelles discrètes31
5.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 31
5.1.1 Remarque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . 31
5.1.2 Cas particulier d"un vecteur de variables aléatoiresréelles discrètes . . . . . . . . . . . . . . . . 31
5.2 Lois de probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 32
5.2.1 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . 32
5.2.2 Loi d"un vecteur de variables aléatoires réelles discrètes et loi marginale . . . . . . . . . . . . . 32
5.2.3 Loi conditionnelle, indépendance de deux variables aléatoires réelles discrètes et indépendance
devariables aléatoires réelles discrètes . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 33
5.3 Fonction de répartition ou cumulative . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 33
5.3.1 Exemple -suite du 5.2.1.- . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 33
5.4 Les moments d"ordre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.5 L"espérance mathématique . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . 34
5.5.1 Exemple -suite du 5.2.1.- . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 34
5.5.2 Propriétés de l"espérance mathématique . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . 35
5.5.3 Variable centrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 36
5.5.4 Espérance conditionnelle . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 36
5.6 Variance et écart-type . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 37
5.6.1 Exemple -suite du 5.2.1.- . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 37
5.6.2 Propriétés de la variance . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 37
5.6.3 Variable réduite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 38
5.6.4 Variance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 38
5.7 Covariance, régression et corrélation . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . 39
5.7.1 Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 39
5.7.2 Droite de régression et corrélation . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . 40
-2/83-MathématiquesPLC1Probabilités et statistiques2010
5.7.3 Covariance conditionnelle . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 45
5.8 Les fonctions génératrices de moments . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 48
5.9 Inégalité de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 49
5.10 Inégalité de Bienaymé-Tchebychev . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 49
5.11 Enonçé de la loi faible des grands nombres . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . 50
6 Lois discrètes usuelles50
6.1 La loi constante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 50
6.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 50
6.1.2 Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 50
6.2 La variable de Bernoulli (ou loi de Bernoulli) . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . 50
6.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 50
6.2.2 Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 51
6.2.3 Exemples typiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 51
6.3 La loi binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 51
6.3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 51
6.3.2 Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 51
6.3.3 Exemples typiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 52
6.3.4 La loi binomiale des fréquences relatives . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 52
6.3.5 Additivité de deux variables aléatoires binomiales indépendantes . . . . . . . . . . . . . . . . . 52
6.4 La loi hypergéométrique . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 53
6.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 53
6.4.2 Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 53
6.4.3 Exemples typiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 55
6.4.4 Approximation de la loi hypergéométrique par la loi binomiale . . . . . . . . . . . . . . . . . . 55
6.5 La loi géométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 56
6.5.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 56
6.5.2 Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 56
6.5.3 Exemples typiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 57
6.6 La loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 57
6.6.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 57
6.6.2 Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 57
6.6.3 Approximation de la loi de Poisson par la loi binomiale .. . . . . . . . . . . . . . . . . . . . . 58
6.6.4 Additivité de deux variables aléatoires de Poisson indépendantes . . . . . . . . . . . . . . . . . 58
6.7 La loi binomiale négative . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 60
6.7.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 60
6.7.2 Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 60
6.7.3 Exemples typiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 60
7 Variables aléatoires réelles continues61
7.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 61
7.1.1 Remarque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . 61
7.2 Lois de probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 61
7.3 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . 61
-3/83-MathématiquesPLC1Probabilités et statistiques2010
7.4 Les moments d"ordre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
7.5 L"espérance mathématique . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . 64
7.5.1 Propriétés de l"espérance mathématique . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . 64
7.5.2 Variable centrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 64
7.6 Variance et écart-type . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 64
7.6.1 Propriétés de la variance . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 64
7.6.2 Variable réduite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 64
7.7 Inégalité de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 66
7.8 Inégalité de Bienaymé-Tchebychev . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . 66
7.9 Enonçé de la loi faible des grands nombres . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 67
8 Lois continues usuelles67
8.1 La loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 67
8.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 67
8.1.2 Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 67
8.2 La loi de Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 68
8.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 68
8.2.2 Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 68
8.3 La loi de Laplace-Gauss (ou loi normale) . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 70
8.3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 70
8.3.2 Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 70
8.3.3 La loi normale centrée réduite . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 71
8.3.4 Valeurs remarquables pour(). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
8.3.5 Additivité de deux lois normales indépendantes . . . . .. . . . . . . . . . . . . . . . . . . . . . 72
8.3.6 Approximation de la loi binomiale par la loi normale ou théorème de De Moivre-Laplace . . . . 72
8.3.7 Le théorèmecentral limit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
8.4 La loi de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 74
8.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 74
8.4.2 Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 74
9 Statistiques inférentielles75
9.1 Echantillonnage et estimation . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . 75
9.1.1 Echantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 75
9.1.2 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 76
9.2 Tests de validité d"hypothèse . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . 78
9.2.1 Comparaison à une norme . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 78
9.2.2 Comparaison de deux échantillons . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 80
-4/83-MathématiquesPLC1Probabilités et statistiques2010
1 Combinatoire
1.1 Analyse combinatoire sans répétition
1.1.1 Cardinal de l"ensemble des applications dedans
Soitun ensemble de cardinaletun ensemble de cardinal. On note()l"ensemble des applications de dans. On a #() =p1.1.2 Cardinal de l"ensemble des injections dedans
Soitun ensemble de cardinaletun ensemble de cardinal. On note()l"ensemble des injections de dans. On a #() =pn=(?1)(?+ 1) =! On appelle-arrangement de(ensemble de cardinal), toute application injectivede[[1]]dans. En identifiantau-uplet(1)(2)(), un-arrangement apparaît comme une suite ordonnée deéléments distincts de. Le nombre des-arrangements deest doncpn.1.1.3 Cardinal de l"ensemble des bijections dedans
Soitun ensemble de cardinaletun ensemble de cardinal. On note()l"ensemble des bijections de dans. On a #() =nn=! On appelle permutation detoute bijection dedans. Le nombre de permutations deest!.1.1.4 Cardinal de l"ensemble des parties de
Soitun ensemble de cardinalet soitun entier tel que0.Le nombre de parties dede cardinalest
pn= On appelle-combinaison de(ensemble de cardinal), toute partie dede cardinal. Le nombre des- combinaisons deest doncpn.Propriétés depn:
-pn=npn; -pn=p n1+p1 n1. Formule du binôme de Newton : étant donnés deux réelsetet un entier naturel, on a (+)n=n p=0 pnpnp -5/83-MathématiquesPLC1Probabilités et statistiques2010
1.2 Analyse combinatoire avec répétition
Soitun ensemble de cardinalet soient12rentiers naturels tels querk=0k=. On appelle(12r)-permutation (avec répétition) detoute application dedans[[1]]telle que #1() =k. Le nombre des(12r)-permutation (avec répétition) deest n1,n2,...,nr=!1!2!r!
Formule du multinôme : étant donnésréels1,2,,ret un entier naturel, on a (1+2++r)n= n1+n2+...nr=n
n1,n2,...,nrn11n22nrr Exercice 1[9, exercice 1, p. 7] Soitun ensemble de cardinal, montrer que#() = 2n.Exercice 2[9, exercice 2, p. 7] Soitune application d"un ensemblede cardinaldans lui même. Montrer
que est injectiveest surjectiveest bijectiveExercice 3[9, exercice 4, p. 8] Soitn=np=0pn(où0n= 1) le nombre total des arrangements d"un ensemble
de cardinal. Montrer quenest la partie entière de!. Exercice 4[9, exercice 5, p. 8] Soient4individus,,et. De combien de manières peut-on les classer - en supposant qu"il n"y ait pas d"ex aequo? - en supposant qu"il puisse y avoir0,1ou plusieursex aequo?Exercice 5[9, exercice 8, p. 10] Soitun ensemble àéléments. Quel est le nombre de couples de parties()
detelles que?Généralisation. Soitun ensemble àéléments. Quel est le nombre de-uplets de parties(12p)de
telles que12p? Exercice 6[9, exercice 10, p. 11] Démontrer les identités suivantes1.0n+2n+4n+=1n+3n+5n+= 2n1[[1[[.
2.00n+ 22n+ 44n+= 11n+ 33n+ 55n+[[2[[.
3.0n?1
21n+132n?143n+=1n+1[[1[[.
Exercice 7[9, exercice 12, p. 12] Soitr() = 1r+ 2r++r. Montrer que r k=0 kr+1k() = (+ 1)r+1?1Calculer0() 1() 2() 3().
Exercice 8[9, exercice 13, p. 12]Calculer les3sommes1.1=0n+3n+6n+;
-6/83-MathématiquesPLC1Probabilités et statistiques2010
2.2=1n+4n+7n+;
3.3=2n+5n+8n+.
Exercice 9[9, exercice 14, p. 13] Soit= [[1]].
1. Quel est le nombre de parties dede cardinaldont deux éléments quelconques ne sont pas consécutifs?
2. Quel est le nombre demotsde longueurformé des deux lettresetet dans lequel deux lettresne se suivent
pas?Exercice 10[9, exercice 15, p. 14]
1. Étant donnés des entiers naturels,et, montrer que
na+b=n k=0 kank b2. En déduire les identités
n2n=n k=0 kn 22n2n=n
k=0kn 2Exercice 11[9, exercice 18, p. 16] De combien de manières peut-on rangerbilles indiscernables dansboîtes?
Exercice 12[9, exercice 19, p. 16] Soientetdes entiers supérieurs ou égaux à1. Quel est le nombre de vecteurs
(12n)Nnsolutions de l"équation 1.1+2++n=?
2.1+2++n?
Exercice 13[9, exercice 20, p. 16] Pour tout entier[[1[[, on note()la somme des chiffres de l"écriture de
dans le système de numération décimale.1. Étant donnésNet[[19]], combien y a-t-il de nombres entierstels que
0 10ket() =?
2. Étant donnésN, combien y a-t-il de nombres entierstels que
110ket() = 10 ?
Exercice 14[9, exercice 21, p. 17] Soit= [[1]]et= [[1]].1. Quel est le nombre des applications strictement croissantes dedans?
2. Quel est le nombre des applications croissantes au sens large dedans?
-7/83-MathématiquesPLC1Probabilités et statistiques2010
Exercice 15[9, problème 24, p. 18] Soit=12n.
1. (a) SoitΓune permutation de. Montrer que les propositions suivantes sont équivalentes:
i.Γkest sans point fixe pour[[1?1]]etΓn=. ii.[[1]] =Γk(i)[[0?1]]. iii.[[1]] =Γk(i)[[0?1]]. iv. Il existe une permutationdetelle queΓ(i) =(i+1)pour[[1?1]]etΓ(n) =(1)
Lorsque l"une de ces propositions est vraie, on dit queΓest unepermutation circulairede. (b) Montrer que le nombre de permutations circulaires deest(?1)!.2. Soitnle nombre de permutations sans point fixe (ou dérangements) de.
(a) Montrer que pour[[3[[ n= (?1)(n1+n2)avec1= 0et2= 1. (b) Montrer par récurrence que n=n k=0(?1)k! En déduire que lorsquetend vers l"infini,nest équivalent àn! e.2 Statistique descriptive
2.1 Série statistique
-= (1p). Lesisont appelées lesobservations. -(ii) [[1]]. Lesisont appelées leseffectifset si=p i=1i, lesi=ni nsont appelées lesfréquences.Fonction de répartition.
:RR; itel quexixiest une fonction en escalier, croissante de0à1, continue à droite.2.2 Série statistique classée
C"est le cas lorsquei= [ii+1[etiest appelée uneclasse. Lesiforment une suite croissante. Il est une
hypothèse usuelle de répartition homogène à l"intérieur dechaque classe.Ensuite,() =i=φi
αi=νinαisi[ii+1[;() = 0si 1;() = 0sip+1
-iest l"effectif de la classe[ii+1[; -i=νi nest lafréquence de la classe[ii+1[; -i=i+1?iest l"amplitudede la classe[ii+1[.Histogramme.
On appelle histogramme la représentation graphique de:RR;().Fonction de répartition.
Φ :RR;x
()est une fonction croissante de0à1, continue, affine par morceaux, telle queΦ(i) = j2.3 Caractéristiques des séries statistiques
Quelques éléments caractéristiques de position. -Le mode: toute valeur (respectivement classe) telle quei(respectivementi) soit maximum. -La médiane. Dans le cas de série non classée : toute valeurtelle que x iμin 2et x iμin2; dans le cas de série classée : l"ensemble des valeurstelles queΦ() = 05. -Le premier quartile1. Dans le cas de série non classée : toute valeurtelle que x iμin 4et x iμi n4; dans le cas de série classée : l"ensemble des valeurstelles queΦ() = 025.
-Le troisième quartile3. Dans le cas de série non classée : toute valeurtelle que x iμi3n 4et x iμi3n4; dans le cas de série classée : l"ensemble des valeurstelles queΦ() = 075.
- On définirait de façon analogue les déciles (1,,9). -La moyenne . Dans le cas de série non classée :p i=1ii; dans le cas de série classée : Quelques éléments caractéristiques de dispersion.-L"étendue. Dans le cas de série non classée :maxii?minii; dans le cas de série classée :p+1?p.
-L"intervalle interquartile:3?1(si plusieursicorrespondent, on prend la moyenne de ceux qui corres- pondent). -L"intervalle interdécile:9?1(si plusieursicorrespondent, on prend la moyenne de ceux qui corres- pondent). -L"écart moyenm. Dans le cas de série non classée :p i=1ii? ; dans le cas de série classée : -La variancexet l"écart-typex. Dans le cas de série non classée :x=p i=1i(i?)2; dans le cas de série classée :x= )2(). Dans tous les cas,x=x. Quelques éléments caractéristiques de forme. Soitkle moment d"ordre. Dans le cas de série non classée :k=p i=1ik i; dans le cas de série classée : k= k(). Soitkle moment centré d"ordre. Dans le cas de série non classée :k=p i=1ii? k; dans le cas de série classée :k= )k(). -Coefficient d"asymétrie:μ3σ3x.
-Coefficient d"applatissement:μ4σ4x.
2.4 Série statistique double
C"est le cas lorsquei= (ii)etiest appelée un couple.Quelques éléments propres aux séries statistiques doubles. On restreint ici au cas non classé.
-La covariance:(y,z)=p i=1i(i? )(i?). -L"ajustement affine:=+avec=Cov(y,z)Vy,=?; et(y,z), le coefficient de corrélation
(y,z)=Cov(y,z)σyσz.
Cet ajustement est basé sur la minimisation de la somme des carrés des écarts en ordonnée entre le nuage de
quotesdbs_dbs23.pdfusesText_29[PDF] Probabilité et dénombrement - Exo7 - Emathfr
[PDF] Abrégé d 'Analyse combinatoire - Jean VAILLANT
[PDF] Chapitre 1 Définition et méthodologie de l analyse comparative
[PDF] Bouchard, Durkheim et la méthode comparative positive - Érudit
[PDF] Analyse complexe - Département de mathématiques et de statistique
[PDF] Analyse complexe - Département de mathématiques et de statistique
[PDF] Analyse Complexe 2005-2006 - Exo7
[PDF] Analyse complexe Cours de L3, ENS Lyon, automne 2014
[PDF] Analyse Complexe S´eries de Fourier
[PDF] Analyse Complexe - Institut de Recherche Mathématique Avancée
[PDF] ANALYSE COMPLEXE 3M266
[PDF] L Analyse appliquée du comportement
[PDF] L Analyse appliquée du comportement
[PDF] l analyse concurrentielle - cloudfrontnet