Chargement de l'audio en cours
Plus

Plus

2. Chaînes de Markov
P.223-224

Mode édition
Ajouter

Ajouter

Terminer

Terminer

Entraînement


2
Chaînes de Markov





DIFFÉRENCIATION

◉◉ Parcours 1 : exercices 41 ; 45 ; 54 ; 57 ; 70 et 76
◉◉ Parcours 2 : exercices 47 ; 62 ; 65 et 74
◉◉◉ Parcours 3 : exercices 46 ; 58 ; 72 et 77

49
FLASH

Compléter le graphe probabiliste ci‑dessous.

Maths expertes - chapitre 7 - Suites et matrices - exercice 49

Pour écrire sur ce schéma, veuillez cliquer sur l'image et utiliser notre outil de dessin.

50
FLASH

Compléter le graphe probabiliste ci‑dessous.

Maths expertes - chapitre 7 - Suites et matrices - exercice 50

Pour écrire sur ce schéma, veuillez cliquer sur l'image et utiliser notre outil de dessin.

51
FLASH

On note A\text{ A} et B\text{B} les deux états d’une chaîne de Markov. Compléter les matrices de transition suivantes pour lesquelles les états sont rangés dans l’ordre alphabétique, puis construire le graphe probabiliste correspondant.

1. M=(0,20,91)\mathrm{M}=\left(\begin{array}{cc}0,2 & \dots \\ \dots & 0,91\end{array}\right)


Couleurs
Formes
Dessinez ici

2. N=(0,171)\mathrm{N}=\left(\begin{array}{cc}\cdots & 0{,}17 \\ \dots & 1\end{array}\right)


Couleurs
Formes
Dessinez ici
Voir les réponses

52
[Calculer.]
Compléter le graphe probabiliste ci‑dessous.

Maths expertes - chapitre 7 - Suites et matrices - exercice 52

Pour écrire sur ce schéma, veuillez cliquer sur l'image et utiliser notre outil de dessin.

53
[Calculer.]
Compléter le graphe probabiliste ci‑dessous.

matxp7inf32-v1

Pour écrire sur ce schéma, veuillez cliquer sur l'image et utiliser notre outil de dessin.

54
[Modéliser.] ◉◉
Représenter la situation suivante par un graphe probabiliste.

On modélise la météo d’un jour à l’autre en considérant uniquement les états suivants : beau temps (B)(\mathrm{B}), temps nuageux (N)(\mathrm{N}), temps pluvieux (P)(\mathrm{P}).
La modélisation nous indique que lorsqu’il fait beau, alors la probabilité que le lendemain soit nuageux est 0,50{,}5 et que le lendemain soit pluvieux est 0,20{,}2.
Lorsque le temps est nuageux, le lendemain reste nuageux avec une probabilité de 0,40{,}4 et devient pluvieux avec une probabilité de 0,40{,}4 également.
Finalement, lorsqu’il pleut, la probabilité que le lendemain soit nuageux est égale à 0,60{,}6 alors que la probabilité qu’il fasse beau est 0,10{,}1.

Couleurs
Formes
Dessinez ici
Voir les réponses

55
[Modéliser.]
Lorsque Yazid réussit son pénalty, il a deux chances sur trois de réussir le suivant mais s’il le rate, il n’a alors qu’une chance sur quatre de réussir le prochain.

Modéliser cette situation par une chaîne de Markov en utilisant un graphe (en notant respectivement R\text{ R} et R\overline{\mathrm{R}} les états correspondant à « réussir le pénalty » et « rater le pénalty ») puis en utilisant une matrice de transition.

Couleurs
Formes
Dessinez ici

Voir les réponses


Maths expertes - chapitre 7 - Suites et matrices - Andreï Markov

Histoire des maths

Le mathématicien russe Andreï Markov (1856‑1922) était un disciple de Tchebychev. Il a contribué au développement de la théorie des nombres, de l’analyse, et des probabilités, en étendant les conditions d’application de la loi des grands nombres.

56
[Modéliser.]
John a des problèmes d’absentéisme :
  • lorsqu’il est absent une journée, la probabilité qu’il soit ponctuel le lendemain est 45\dfrac{4}{5} alors que celle d’être en retard s’élève à 120\dfrac{1}{20} ;
  • lorsqu’il est ponctuel, la probabilité qu’il soit ponctuel le lendemain est 35\dfrac{3}{5} alors que celle d’être en retard vaut 14\dfrac{1}{4} ;
  • lorsqu’il est en retard, la probabilité qu’il soit ponctuel le lendemain est 34\dfrac{3}{4} alors que celle d’être en retard est 18\dfrac{1}{8}.

On note :
  • A\text{A} l’événement « John est absent » ;
  • P\text{P} l’événement « John est ponctuel » ;
  • R\text{R} l’événement « John est en retard ».

Modéliser cette situation par une chaîne de Markov à trois états. On en donnera une représentation sous la forme d’un graphe probabiliste et sous la forme d’une matrice de transition M\text{ M} dans laquelle les sommets sont rangés dans l’ordre alphabétique.

Couleurs
Formes
Dessinez ici

Voir les réponses

57
[Représenter.] ◉◉
1. Représenter par un graphe probabiliste une chaîne de Markov à deux états dont la matrice de transition est
M=(0,290,710,130,87)\mathrm{M}=\left(\begin{array}{ll}0{,}29 & 0{,}71 \\ 0{,}13 & 0{,}87\end{array}\right).

Couleurs
Formes
Dessinez ici

2. Représenter par un graphe probabiliste une chaîne de Markov à trois états dont la matrice de transition est
N=(0,20,10,70,550,30,150,60,280,12)\mathrm{N}=\left(\begin{array}{ccc}0{,}2 & 0{,}1 & 0{,}7 \\ 0{,}55 & 0{,}3 & 0{,}15 \\ 0{,}6 & 0{,}28 & 0{,}12\end{array}\right).

Couleurs
Formes
Dessinez ici
Voir les réponses

58
[Raisonner.] ◉◉◉
Soit p[0;1]p \in[0\,; 1]. On considère une chaîne de Markov associée au graphe probabiliste suivant.
Maths expertes - chapitre 7 - Suites et matrices - exercice 58

1. Vérifier que 0p(2p)10 \leqslant p(2-p) \leqslant 1.


2. Montrer que PA(A)=(PB(B))2\mathrm{P}_{\mathrm{A}}(\mathrm{A})=\left(\mathrm{P}_{\mathrm{B}}(\mathrm{B})\right)^{2}.
Voir les réponses

59
[Calculer.]
Chacune des matrices suivantes correspond à la matrice de transition d’une chaîne de Markov.
Compléter ces matrices puis représenter des graphes probabilistes leur correspondant.

1. A=(0,30,1)\mathrm{A}=\left(\begin{array}{ll}0{,}3 & \dots \\ 0{,}1 & \dots\end{array}\right)


Couleurs
Formes
Dessinez ici

2. B=(0,420,65)\mathrm{B}=\left(\begin{array}{cc}0{,}42 & \dots \\ \dots & 0{,}65\end{array}\right)


Couleurs
Formes
Dessinez ici
Voir les réponses

60
[Représenter.]
Représenter des graphes probabilistes correspondant aux matrices de transition ci‑dessous.

1. A=(0,20,70,10,50,150,350,80,080,12)\mathrm{A}=\left(\begin{array}{ccc}0{,}2 & 0{,}7 & 0{,}1 \\ 0{,}5 & 0{,}15 & 0{,}35 \\ 0{,}8 & 0{,}08 & 0{,}12\end{array}\right)

Couleurs
Formes
Dessinez ici


2. B=(0,3500,650,40,50,100,80,2)\mathrm{B}=\left(\begin{array}{ccc}0{,}35 & 0 & 0{,}65 \\ 0{,}4 & 0{,}5 & 0{,}1 \\ 0 & 0{,}8 & 0{,}2\end{array}\right)

Couleurs
Formes
Dessinez ici
Voir les réponses

61
[Représenter.]
Compléter les matrices de transition suivantes, puis représenter des graphes probabilistes leur correspondant.

1. A=(0,150,130,420,230,340,66)\mathrm{A}=\left(\begin{array}{ccc}0{,}15 & 0{,}13 & \dots \\ \dots & 0{,}42 & 0{,}23 \\ \dots & 0{,}34 & 0{,}66\end{array}\right)


Couleurs
Formes
Dessinez ici


2. B=(10,920,020,550,13)\mathrm{B}=\left(\begin{array}{ccc}\cdots & 1 & \cdots \\ \cdots & 0{,}92 & 0{,}02 \\ 0{,}55 & 0{,}13 & \dots\end{array}\right)


Couleurs
Formes
Dessinez ici
Voir les réponses

62
[Modéliser.] ◉◉
On considère une urne dans laquelle se trouvent deux boules blanches et deux boules noires, ces boules étant supposées indiscernables au toucher.
On tire une boule au hasard puis, sans la remettre, on tire une autre boule. On remet la boule tirée en premier et on en tire une nouvelle. On itère ensuite le processus en remettant à l’étape ii la boule tirée à l’étape i2i-2 et en en tirant une nouvelle.

1. Quelle est la distribution de probabilité initiale ? On exprimera la réponse sous la forme d’une matrice ligne (probabiliteˊ noireprobabiliteˊ blanche)(\text{probabilité noire} \quad \text{probabilité blanche}).


2. Quelle est la probabilité d’obtenir une boule noire sachant que la boule tirée à l’étape précédente est noire ?


3. Modéliser cette situation par une chaîne de Markov en utilisant une matrice de transition et un graphe probabiliste.


Couleurs
Formes
Dessinez ici
Voir les réponses
Utilisation des cookies
En poursuivant votre navigation sans modifier vos paramètres, vous acceptez l'utilisation des cookies permettant le bon fonctionnement du service.
Pour plus d’informations, cliquez ici.