Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Quelques compléments au programme de spécialité de terminale
Simon Billouet
11 février 2020
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Points abordés
Déroulement
Proposition de plan :
1 Analyse
2 Combinatoire
3 Probabilités
Fonctionnement
Sur chaque point, rapide présentation, algorithmes, exercices, discussion.
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Points abordés
Déroulement
Proposition de plan :
1 Analyse
2 Combinatoire
3 Probabilités Fonctionnement
Sur chaque point, rapide présentation, algorithmes, exercices, discussion.
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Méthode de Héron (ou babylonienne)
Le principe
Pour calculer la racine carrée dea>0, on considère la suite (xn)n∈N définie par un premier terme x0 >0 (pas trop éloigné de√
a) et par la relation de récurrence :
∀n∈N, xn+1 = xn+ xa
n
2
Idée géométrique... Convergence rapide
Des tests numériques suggèrent une convergence très rapide vers√
a (le nombre de décimales exactes double à chaque itération).
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Méthode de Héron (ou babylonienne)
Le principe
Pour calculer la racine carrée dea>0, on considère la suite (xn)n∈N définie par un premier terme x0 >0 (pas trop éloigné de√
a) et par la relation de récurrence :
∀n∈N, xn+1 = xn+ xa
n
2 Idée géométrique...
Convergence rapide
Des tests numériques suggèrent une convergence très rapide vers√
a (le nombre de décimales exactes double à chaque itération).
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire
Méthode de Héron (ou babylonienne)
Le principe
Pour calculer la racine carrée dea>0, on considère la suite (xn)n∈N définie par un premier terme x0 >0 (pas trop éloigné de√
a) et par la relation de récurrence :
∀n∈N, xn+1 = xn+ xa
n
2 Idée géométrique...
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Preuves
Identités
On montre que pourn∈N∗ :
xn+12 −a= xn2−a 2xn
!2
etxn+1−xn= a−xn2 2xn donc la suite (xn)n∈N∗ converge vers√
a.
Vitesse de convergence
On a également, pourn∈N∗ :
|xn+1−√
a| ≤ |xn−√ a|2 2√
a d’où on déduit une convergence quadratique.
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Preuves
Identités
On montre que pourn∈N∗ :
xn+12 −a= xn2−a 2xn
!2
etxn+1−xn= a−xn2 2xn donc la suite (xn)n∈N∗ converge vers√
a.
Vitesse de convergence
On a également, pourn∈N∗ :
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Méthodes numériques pour résoudre f (x ) = 0
Principe général
On cherche à résoudre l’équationf(x) = 0 sur un intervalle [a,b] sur lequel f est suffisamment régulière (au moins de classeC1, souvent de classe C∞), change de signe et est strictement monotone, de sorte que le théorème de la bijection assure l’existence et l’unicité d’un zéroα de f sur [a,b].
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Méthode de dichotomie
Principe
On coupe l’intervalle en deux parties égales, et on en garde un sur lequelf change de signe. On itère ce procédé jusqu’à avoir un intervalle de longueur inférieure à une précisionε >0 fixée à l’avance ; on est assuré d’avoir alors une valeur approchée deα àεprès.
Intérêts et limites
Nombre d’itérations de l’algorithme : blog2b−aε c+ 1. Cette méthode donne une preuve théorique du théorème des valeurs intermédiaires (en admettant le théorème des suites adjacentes).
Méthode n’utilisant aucune propriété fine de f : seulement un nombre fini de valeurs !
Méthode relativement lente en pratique (linéaire).
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Méthode de dichotomie
Principe
On coupe l’intervalle en deux parties égales, et on en garde un sur lequelf change de signe. On itère ce procédé jusqu’à avoir un intervalle de longueur inférieure à une précisionε >0 fixée à l’avance ; on est assuré d’avoir alors une valeur approchée deα àεprès.
Intérêts et limites
Nombre d’itérations de l’algorithme : blog2b−aε c+ 1.
Cette méthode donne une preuve théorique du théorème des valeurs intermédiaires (en admettant le théorème des suites adjacentes).
Méthode n’utilisant aucune propriété fine de f : seulement un nombre fini de valeurs !
Méthode relativement lente en pratique (linéaire).
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Méthode de la fausse position (regula falsi )
Principe
Le même que celui de la méthode de la dichotomie, mais on prend pour deux intervalles [a, β] et [β,b] oùβ est le point où la droite joignant les points de coordonnées (a,f(a)) et (b,f(b)) coupe l’axe des abscisses.
Analyse
Un peu plus compliquée... Et non mentionnée dans le programme. Convergence linéaire là encore.
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Méthode de la fausse position (regula falsi )
Principe
Le même que celui de la méthode de la dichotomie, mais on prend pour deux intervalles [a, β] et [β,b] oùβ est le point où la droite joignant les points de coordonnées (a,f(a)) et (b,f(b)) coupe l’axe des abscisses.
Analyse
Un peu plus compliquée... Et non mentionnée dans le programme. Convergence linéaire là encore.
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Méthode de la sécante
Principe
Comme dans la méthode de la fausse position, on part de deux pointsx0 =a etx1 =b qui encadrent la racine, et l’on calcule l’abscissex2 du point où la sécante coupe l’axe des abscisses.
Mais au lieu de choisir un segment, on remplace (x0,x1) par (x1,x2)... et on itère.
Analyse
Sif est de classeC2, strictement convexe, alors la méthode de la sécante est au moins d’ordre 1+
√5 2 .
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Méthode de la sécante
Principe
Comme dans la méthode de la fausse position, on part de deux pointsx0 =a etx1 =b qui encadrent la racine, et l’on calcule l’abscissex2 du point où la sécante coupe l’axe des abscisses.
Mais au lieu de choisir un segment, on remplace (x0,x1) par (x1,x2)... et on itère.
Analyse
Sif est de classeC2, strictement convexe, alors la méthode de la sécante est au moins d’ordre 1+
√5 2 .
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Méthode de Newton
Principe
Le même que celui de la sécante... Mais en remplaçant la sécante par la tangente !
Analyse
Il y a des cas où la méthode ne converge pas (dessin).
Sous des hypothèses sympathiques, la méthode converge et est d’ordre 2.
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Méthode de Newton
Principe
Le même que celui de la sécante... Mais en remplaçant la sécante par la tangente !
Analyse
Il y a des cas où la méthode ne converge pas (dessin).
Sous des hypothèses sympathiques, la méthode converge et est d’ordre 2.
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Premières propriétés
Définition
Lasérie harmonique est la suite (Hn)n∈N∗ définie par :
∀n∈N∗, Hn=
n
X
k=1
1 k
C’est un exemple (contre-intuitif ?) de série divergente (pourquoi ?) dont le terme général tend vers 0.
Applications
L’espérance dans le problème du collectionneur de vignettes est denHn. Autres applications dans les domaines de la musique, l’architecture, ou les contre-exemples bizarres (la sérieHn0 où l’on supprime les termes qui correspondent à unn qui possèdent un 9 dans leur écriture en base 10 converge...).
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Premières propriétés
Définition
Lasérie harmonique est la suite (Hn)n∈N∗ définie par :
∀n∈N∗, Hn=
n
X
k=1
1 k
C’est un exemple (contre-intuitif ?) de série divergente (pourquoi ?) dont le terme général tend vers 0.
Applications
L’espérance dans le problème du collectionneur de vignettes est denHn. Autres applications dans les domaines de la musique, l’architecture, ou les contre-exemples bizarres (la sérieHn0 où l’on supprime les termes qui correspondent à unn qui possèdent un 9 dans leur écriture en base 10 converge...).
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Encadrement plus précis
Principe
Comparaison série intégrale : sif est décroissante sur [1,+∞[, l’intégraleR1+∞f(t)dt et la série Pn≥1f(n) sont de même nature.
Mais on peut faire mieux...
Et prouver que ln(n) +1n ≤Hn≤lnn+ 1 pour toutn≥1. Cela donne un équivalent deHn... et on peut continuer :
Hn= lnn+γ+o(1)
oùγ ∈]0,1[, appelée constante d’Euler. On sait très peu de choses sur la constanteγ (notamment, on ne sait pas s’il s’agit d’un nombre rationnel).
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Encadrement plus précis
Principe
Comparaison série intégrale : sif est décroissante sur [1,+∞[, l’intégraleR1+∞f(t)dt et la série Pn≥1f(n) sont de même nature.
Mais on peut faire mieux...
Et prouver que ln(n) +1n ≤Hn≤lnn+ 1 pour toutn≥1.
Cela donne un équivalent deHn... et on peut continuer : Hn= lnn+γ+o(1)
oùγ ∈]0,1[, appelée constante d’Euler. On sait très peu de choses sur la constanteγ (notamment, on ne sait pas s’il s’agit d’un nombre rationnel).
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Algorithme de Brouckner
Principe
La série harmonique alternéePn≥1 (−1)nn+1 converge vers ln(2) (pourquoi ?). On peut donc l’utiliser assez facilement pour calculer une valeur approchée du logarithme.
Problème... et solution
La convergence est lente. Toutefois, si l’on regroupe les termes par deux, on a 2n+11 −2n+21 = (2n+1)(2n+2)1 , et la série converge plus rapidement. Attention toutefois, le regroupement de termes dans les séries non absolument convergentes est périlleux (mais là, on a le droit)... Le résultat ne reste pas incroyable !
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Algorithme de Brouckner
Principe
La série harmonique alternéePn≥1 (−1)nn+1 converge vers ln(2) (pourquoi ?). On peut donc l’utiliser assez facilement pour calculer une valeur approchée du logarithme.
Problème... et solution
La convergence est lente. Toutefois, si l’on regroupe les termes par deux, on a 2n+11 −2n+21 = (2n+1)(2n+2)1 , et la série converge plus rapidement. Attention toutefois, le regroupement de termes dans les séries non absolument convergentes est périlleux (mais là, on a le droit)... Le résultat ne reste pas incroyable !
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Algorithme de Briggs
Principe
On veut calculer le logarithme d’un nombrex >0. On définit la suite récurrente (un)n∈N par u0 =x et, pour n∈N : un+1=√
un. Cette suite converge vers 1. Quand |un−1| ≤ε, avecε >0 fixé à l’avance, on approxime ln(un)'un−1. Il ne reste plus qu’à écrire
n+1 n+1
Problèmes
Nombreux ! Numériques, théoriques...
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Algorithme de Briggs
Principe
On veut calculer le logarithme d’un nombrex >0. On définit la suite récurrente (un)n∈N par u0 =x et, pour n∈N : un+1=√
un. Cette suite converge vers 1. Quand |un−1| ≤ε, avecε >0 fixé à l’avance, on approxime ln(un)'un−1. Il ne reste plus qu’à écrire
ln(x) = 2 ln(u1) = 4 ln(u2) =· · ·= 2n+1ln(un)'2n+1(un−1) Problèmes
Nombreux ! Numériques, théoriques...
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Rôle dans le programme
Interactions Probabilités
Vocabulaire ensembliste Informatique
Raisonnement par récurrence...
Démonstrations ?
La plupart des démonstrations sont théoriques et fondatrices de la notion d’ensemble fini. On doit donc les admettre (et c’est heureux !).
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Rôle dans le programme
Interactions Probabilités
Vocabulaire ensembliste Informatique
Raisonnement par récurrence...
Démonstrations ?
La plupart des démonstrations sont théoriques et fondatrices de la notion d’ensemble fini. On doit donc les admettre (et c’est heureux !).
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Premiers principes
Principe des bergers
Cardinal d’une union disjointe.
Exemples : nombre de couples (x,y)∈[|1,n|]2 tels quex 6=y, nombre de mots àn lettres sur un alphabet dep lettres sans deux lettres consécutives identiques.
Cardinal d’un produit cartésien
Notion dek-uplet ouk-liste. Modélisation : tirages successifs (tirage de 5 cartes successifs dans un jeu de 52, mots de 8 lettres contenant le mot « PLOUF »).
Permutations, factorielle.
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Premiers principes
Principe des bergers
Cardinal d’une union disjointe.
Exemples : nombre de couples (x,y)∈[|1,n|]2 tels quex 6=y, nombre de mots àn lettres sur un alphabet dep lettres sans deux lettres consécutives identiques.
Cardinal d’un produit cartésien
Notion dek-uplet ouk-liste. Modélisation : tirages successifs (tirage de 5 cartes successifs dans un jeu de 52, mots de 8 lettres contenant le mot « PLOUF »).
Permutations, factorielle.
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Nombre de parties, k -combinaisons
Parties
Il y a 2n parties d’un ensemble àn éléments (mots de longueur n sur un alphabet à 2 éléments).
Combinaisons
Définition combinatoire de nk (nombre de combinaisons dek éléments d’un ensemble àn éléments). Formule et explication. Explicitation pourk∈ {0,1,2}, symétrie. Relation et triangle de Pascal.
Démonstrations au programme :Pnk=0 kn= 2n, relation de Pascal.
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Nombre de parties, k -combinaisons
Parties
Il y a 2n parties d’un ensemble àn éléments (mots de longueur n sur un alphabet à 2 éléments).
Combinaisons
Définition combinatoire de nk (nombre de combinaisons dek éléments d’un ensemble àn éléments). Formule et explication.
Explicitation pourk∈ {0,1,2}, symétrie. Relation et triangle de Pascal.
Démonstrations au programme :Pnk=0 kn= 2n, relation de Pascal.
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Loi de Poisson vue comme limite de lois binomiales
Convergence en loi
Si (Xn) est une suite de variables aléatoires suivant des lois binomiales de paramètresn,pn et quenpn→λ >0, alors on a, pourk ∈N :
P(Xn=k)→ e−λλk k!
En pratique, siX suit une loi binomiale de paramètres n,p avec n≥30,p<0,1 etnp ≤15, la loi de Poisson de paramètre np est une bonne approximation de la loi deX.
Interprétation
Événements rares : accidents, défaut de crédit...
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Loi de Poisson vue comme limite de lois binomiales
Convergence en loi
Si (Xn) est une suite de variables aléatoires suivant des lois binomiales de paramètresn,pn et quenpn→λ >0, alors on a, pourk ∈N :
P(Xn=k)→ e−λλk k!
En pratique, siX suit une loi binomiale de paramètres n,p avec n≥30,p<0,1 etnp ≤15, la loi de Poisson de paramètre np est une bonne approximation de la loi deX.
Interprétation
Événements rares : accidents, défaut de crédit...
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Loi de Poisson vue comme limite de lois binomiales
Convergence en loi
Si (Xn) est une suite de variables aléatoires suivant des lois binomiales de paramètresn,pn et quenpn→λ >0, alors on a, pourk ∈N :
P(Xn=k)→ e−λλk k!
En pratique, siX suit une loi binomiale de paramètres n,p avec
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Linéarité de l’espérance
Démonstration
Une démonstration nécessite de formaliser les variables aléatoires comme fonctions sur l’univers... Mais le résultat est intuitif (quel résultat obtient-on en moyenne quand on somme le résultat de deux dés non pipés ?).
Exemples
Espérance d’une loi binomiale. Problème du collectionneur !
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Linéarité de l’espérance
Démonstration
Une démonstration nécessite de formaliser les variables aléatoires comme fonctions sur l’univers... Mais le résultat est intuitif (quel résultat obtient-on en moyenne quand on somme le résultat de deux dés non pipés ?).
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Bienaymé-Tchebychev
Inégalité de Markov
SoitX une variable aléatoire réelle. Pour touta>0 :
P(|X| ≥a)≤ E(|X|) a
Inégalité de Bienaymé-Tchebychev
SoitX une variable aléatoire réelle. Pour touta>0 : P(|X −E(X)| ≥a)≤ V(X)
a2
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Bienaymé-Tchebychev
Inégalité de Markov
SoitX une variable aléatoire réelle. Pour touta>0 :
P(|X| ≥a)≤ E(|X|) a Inégalité de Bienaymé-Tchebychev
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion
Inégalité de concentration, loi des grands nombres
Inégalité de concentration
On considèreX1,· · ·,Xn indépendantes, de même loi, d’espéranceµ, de varianceV, etMn leur moyenne. Alors
P(|Mn−µ| ≥δ)≤ V nδ2
Loi (faible) des grands nombres Pour toutδ >0, lorsquen→+∞ :
P(|Mn−m| ≥δ)→0
Réconciliation des points de vue fréquentiste et bayésien.
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Inégalité de concentration, loi des grands nombres
Inégalité de concentration
On considèreX1,· · ·,Xn indépendantes, de même loi, d’espéranceµ, de varianceV, etMn leur moyenne. Alors
P(|Mn−µ| ≥δ)≤ V nδ2 Loi (faible) des grands nombres
Quelques compléments au programme de spécialité de terminale Simon Billouet
Introduction Analyse
Méthodes de résolution d’équations Série harmonique Algorithmes d’approximation de logarithmes
Combinatoire Probabilités
Loi de Poisson Espérance Dispersion d’une variable aléatoire
Conclusion