Probabilités avec Python

Exercices sur le thème « Probabilités avec Python »

Un jeton et quatre cases

(Oral Centrale 2018)
Un jeton se déplace aléatoirement sur quatre cases, selon un protocole particulier.
On demande une simulation de l’expérience avec Python.
On diagonalise la matrice de transition, pour étudier la probabilité que le jeton se trouve sur telle ou telle case à la date {n} quand {n\to+\infty}
➡️

Étude d’un temps d’attente

(Oral Centrale)
Soit {(X_{i})_{i\in \mathbb{N}^{\ast}}} des v.a.r. indépendantes de même loi : {\mathbb{P}(X_{i}=1)=p} ; {\mathbb{P}(X_{i}=2)=1\!-\!p}.
Soit Y_k le temps d’attente de X_1+\cdots+X_n\ge k.
On étudie la loi de Y_k et son espérance.
➡️

Jetons bicolores

(Oral Ensam)
Soit n jetons bleus/blancs sur une table (b faces bleues visibles). On en prend deux jetons au hasard. Si le 2nd est d’une couleur différente du 1er, on le retourne. On étudie le nombre {X_{k}} de faces bleues après {k} étapes, et la loi-limite de X_k quand k\to+\infty
➡️

Le collectionneur, épisode 1

Pour doper ses ventes, une marque de chocolat cache dans chaque tablette (et de façon équiprobable) l’une des N figurines d’une collection. On considère ici l’expérience (aléatoire!) vécue par un client cherchant compulsivement à compléter sa collection.
On note {X} le nombre de tablettes à acheter pour compléter l’album. Dans cet épisode, on calcule la loi de X, son espérance, sa variance.
➡️

L’urne d’Ehrenfest, épisode 2

On reprend les notations et résultats de l’épisode 1.
On forme ici la matrice de transition associée à ce processus de Markov, et on l’interprète comme celle d’un endomorphisme \varphi de {\mathbb{R}_{N}[X]} dans la base canonique.
Si {t\mapsto G_{n}(t)} est la fonction génératrice de {X_{n}}, on voit que {G_{n+1}=\varphi(G_{n})}.
On retrouve alors la relation {\text{E}(X_{n+1})=1+\Bigl(1-\dfrac{2}{N}\Bigr)\text{E}(X_{n})}.
➡️