Cours de calcul stochastique Master M2 IRFA

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Cours de calcul stochastique Master M2 IRFA"

Transcription

1 1 Cours de calcul stochastique Master M2 IRFA Christophe Chorro Septembre 26 $!!!$!!&!!(!!*!!#!!!#$!!#&!!"!!"#!"$!"%!"&!"'!"(!")!"*!"+ #"! #"# Les évetuelles fautes d orthographe, coquilles ou erreurs sot de mo etière resposabilité, merci de me les sigaler. Vous pouvez me cotacter à l adresse pour toute remarque sur le coteu et l orgaisatio de ce cours.

2 2

3 Table des matières.1 Gééralités Défiitio Notio d idépedace Evéemets Tribu Variables aléatoires Covergece des variables aléatoires Vecteurs gaussies Notio d espérace coditioelle Coditioemet par rapport à u évéemet Coditioemet par rapport à ue variable aléatoire discrète Coditioemet par rapport à ue tribu Coditioemet par rapport à ue variable aléatoire Loi coditioelle Propriétés de l espérace coditioelle Espérace coditioelle et vecteurs gaussies Processus stochastiques Gééralités Filtratios, processus adaptés Processus gaussies Martigales e temps cotiu Théorème de Rado Nikodym Bibliographie Le mouvemet Browie U peu d histoire Défiitio, existece, simulatio Défiitio Existece, costructio, simulatio Propriétes Propriétés de martigale Trasformatios Propriétés trajectorielles

4 4 TABLE DES MATIÈRES Variatio et variatio quadratique Caractère Markovie Le mouvemet browie géométrique Itégrale de Wieer Formule d Itô pour le M.B Applicatios de l itégrale de Wieer L itégrale stochastique, les processus d Itô Itégrale stochastique sur E([, T ] Ω) Défiitio Propriétés Extesio à L 2 prog(ω [, T ]) Processus d Itô Calcul d Itô étedu Equatios différetielles stochastiques (EDS) Le cas du Browie géométrique Le cas gééral Propriété de Markov des solutios Commet simuler ue EDS (u premier pas) Deux résultats importats Théorème de Girsaov Théorème de représetatio des martigales Browiees Applicatios à la fiace (cadre gééral) Petite itroductio U peu d histoire De l itégrale stochastique? Le calcul stochastique : ue ouvelle mai ivisible? Modélisatio d u marché fiacier e temps cotiu Les actifs présets sur le marché Stratégies fiacières Autofiacemet Arbitrages Mesures martigales équivaletes (MME) Les actifs cotigets Pla d attaque et objectifs Modèle de Black et Scholes Le modèle Dyamique de l actif risqué Existece d ue MME

5 TABLE DES MATIÈRES Les stratégies fiacières P admissibles Défiitio P -complétude du marché A.O.A parmi les stratégies P admissibles Uicité de la probabilité risque eutre Proposer u prix, se couvrir Evaluatio et couverture das le cas où h = f(s T ) Formule de Black et Scholes Les Grecques Défiitio Cas où le payoff est le la forme h = f(s T ) Itérêt pratique du et du Γ Black et Scholes e pratique Spécificatio de σ Prix et couverture Calcul du prix, du et du Γ Spledeurs et misères du modèle de Black et Scholes Avatages Limites

6 6 TABLE DES MATIÈRES

7 Rappels de probabilités Ce chapitre e costitue pas u cours élémetaire de probabilité mais cherche à regrouper modestemet certaies otios essetielles qui ous serot idispesables pour la suite. Nous revoyos, par exemple, le lecteur à [1] et [2] pour u exposé bie plus complet. d N, o ote B(R d ) la tribu boréliee sur R d, <, > le produit scalaire aturel sur R d et dx la mesure de Lebesgue sur R d..1 Gééralités.1.1 Défiitio Soit (Ω, A, P ) u espace de probabilité. Défiitio.1.1 Ue variable aléatoire est ue applicatio X : (Ω, A, P ) R d vérifiat E B(R d ), X 1 (E) A. Remarque.1.1 a) Il existe ue tribu aturelle sur Ω redat X mesurable. Cette tribu est otée σ(x) = {X 1 (E); E B(R d )} et est miimale au ses de l iclusio. O peut motrer (exercice) que toute variable aléatoire σ(x) mesurable est de la forme h(x) où h est boréliee. b) La otio de mesurabilité est stable par les opératios élémetaires et par passage à la limite. Lorsque Ω est u espace topologique équipé de sa tribu boréliee, la cotiuité implique la mesurabilité. Défiitio.1.2 Pour A Ω, o ote 1 A la foctio vérifiat 1 A (x) = 1 si x A et 1 A (x) = si x A c. Si A A, 1 A est mesurable et das ce cas σ(a) = {Ω,, A, A c }. Ue variable aléatoire peut trasporter la structure probabiliste : Propositio.1.1 Si X : (Ω, A, P ) R d est ue variable aléatoire, l applicatio P X : B(R d ) R + défiie, E B(R d ), par P X (E) = P (X 1 (E)) est ue probabilité sur (R d, B(R d )) appelée la loi de X. 7

8 8 TABLE DES MATIÈRES Défiitio.1.3 O dit qu ue variable aléatoire possède u momet d ordre p N ssi la quatité E[ X p ] = x p dp X (x) R d est fiie. Pour p N, o ote L p = {X; E[ X p ] < } et si X L p, X p = E[ X p ] 1 p. Notos que (L p, X p ) est complet (car toute série absolumet covergete est covergete). Exemple.1.1 Lorsque d = 1, o dit qu ue variable aléatoire suit ue loi ormale de moyee m et de variace σ 2 (otée N (m, σ 2 )) si P X est absolumet cotiue par rapport à dx et si dp X (x) = 1 e (x m)2 2σ 2 dx. 2πσ 2 Das ce cas, X possède des momets de tout ordre, e particulier, E[X] = m et V ar(x) = E[(X E[X]) 2 ] = σ 2. Exercice.1.1 Soit X ue variable aléatoire suivat ue N (, σ 2 ). Motrer que k N, E[X 2k ] = (2k)! 2 k k! σ2k. O a le théorème de caractérisatio suivat : Théorème.1.1 a) La foctio caractéristique Φ X : t R d E[e i<t,x> ] C caractérise la loi de X. b) Si d = 1, la loi de X est caractérisée par la foctio de répartitio F X : t R P (X t) R +. Exemple.1.2 Si X suit ue N (m, σ 2 ), alors Φ X (t) = e itm e σ2 t Notio d idépedace.2.1 Evéemets Défiitio.2.1 Deux évéemets A et B (das A) sot dits idépedats si P (A B) = P (A)P (B). O ote alors A B (cette otatio géérique sera utilisée égalemet pour les tribus et les variables aléatoires). Défiitio.2.2 Des évéemets (A i ) 1 i sot idépedats si P ( i I A i ) = P (A i ), I {1,..., }. i I

9 .2. NOTION D INDÉPENDANCE 9 Remarque.2.1 Attetio, des évéemets 2 à 2 idépedats e sot pas forcémet idépedats. E effet si o jette deux pièces équilibrées o peut motrer que le évéemets A= la première pièce tombe sur pile B= la deuxième pièce tombe sur face C= les deux pièces tombet du même coté sot idépedats 2 à 2 mais o idépedats..2.2 Tribu Défiitio.2.3 Des sous tribus (A i ) 1 i de A, sot idépedates si P ( 1 i A i ) = P (A i ), A i A i. 1 i.2.3 Variables aléatoires Défiitio.2.4 Les variables aléatoires (X i ) 1 i sot idépedates si les tribus associées (σ(x i )) 1 i sot idépedates. O a alors le théorème de caractérisatio suivat, éocé pour simplifier les choses das le cas d = 1. Théorème.2.1 Les propositios suivates sot équivaletes : a) X 1 X 2 b) P (X1,X 2 ) = P X1 P X2 c) f, g C b (R, R), E[f(X 1 )g(x 2 )] = E[f(X 1 )]E[g(X 2 )] d) Φ (X1,X 2 ) = Φ X1 Φ X2 Propositio.2.1 Si X 1 et X 2 sot deux variables aléatoires réelles idépedates alors V ar(x 1 +X 2 ) = V ar(x 1 )+V ar(x 2 ) et E[X 1 X 2 ] = E[X 1 ]E[X 2 ]. La derière relatio sigifie que deux variables idépedates sot décoréllées, la réciproque est cepedat fausse e gééral ( predre X 1 = X, X 2 = X 2 avec X symétrique). Le lecteur pourra se reporter au paragraphe sur les vecteurs gaussies pour plus de détails. Propositio.2.2 Si X 1 et X 2 sot deux variables aléatoires dot la loi cojoite possède ue desité, alors, X 1 et X 2 sot idépedates ssi la desité de la loi cojoite est égale au produit des desités margiales. Exercice.2.1 (Méthode de Box-Muller) O cosidère deux variables aléatoires U 1 et U 2 idépedates suivat ue loi uiforme sur [, 1]. Motrer que les variables G 1 = 2log(U 1 )cos(2πu 2 ) et G 2 = 2log(U 1 )si(2πu 2 )

10 1 TABLE DES MATIÈRES sot deux N (, 1) idépedates. Correctio de l exercice : Soit Φ : (x, y) ], 1[ 2 (u = 2log(x)cos(2πy), v = 2log(x)si(2πy)) R 2 (R + {}). O motre que Φ est u C 1 -difféomorphisme et so détermiat jacobie vérifie 2π e u 2 +v 2 J(Φ)(x, y) = 2π. Or x u2 +v 2 = 2log(x) aisi J(Φ 1 )(u, v) = 1 2. D après la formule de chagemet de variables, pour F C b (R 2, R 2 ), F (Φ(x, y))dxdy = F (u, v) 1 u 2 +v 2 ],1[ 2 R 2 (R + {}) 2π e 2 dudv. Simulatio.2.4 Covergece des variables aléatoires Modes et critères de covergece Pour simplifier les choses o se place das le cas d = 1. Lemme.2.1 (Borel-Catelli) Soit (A ) N ue suite d élémets de A. a) Si + P (A ) <, alors =1 P ({ω Ω; ω A pour ue ifiité de }) =. b) Si les A sot idépedats avec + P (A ) = +, alors, =1 P ({ω Ω; ω A pour ue ifiité de }) = 1. Défiitio.2.5 O dit qu ue suite (X ) de variables aléatoires coverge presque sûremet vers X (X p.s X) si P ({w ω; X (ω) X(ω)}) = 1 Propositio.2.3 E utilisat B.C, o motre que X p.s X si ε >, + =1 P ( X X > ε) <.

11 .2. NOTION D INDÉPENDANCE 11 Lemme.2.2 Iégalités classiques : a) (Tchebychev) Si X L p, λ >, P ( X > λ) 1 λ p E[ X p ]. b) (Holder) Si X L p, Y L q avec p q ab ap + bq...), p q = 1, alors (par cocavité du log E[ XY ] X p Y q. Coséquece, les espaces L p sot emboîtés. c) (Mikowsky) Si X L p, Y L p (par covexité de x p + ruse...) X + Y p X p Y p. Défiitio.2.6 O dit qu ue suite (X ) de variables aléatoires das L p coverge vers X das L p (X X) si L p X X p. Défiitio.2.7 O dit qu ue suite (X ) de variables aléatoires coverge vers X e probabilité (X p X) si ε > P ( X X > ε). Défiitio.2.8 O dit qu ue suite (X ) de variables aléatoires coverge vers X e loi (X X) si f C b (R, R), L E[f(X ] E[f(X)]. Propositio.2.4 Les propositios suivates sot équivaletes. a) X L X b) F X coverge simplemet vers F X e tout poit où F X est cotiue (d = 1) c) Φ X coverge simplemet vers Φ X Exercice.2.2 Soit (G ) ue suite de variables aléatoires gaussiees qui coverge vers G das L 2. Motrer que G est gaussiee.

12 12 TABLE DES MATIÈRES Comparaiso des modes de covergece Propositio.2.5 a) X X X p.s p b) X X X X L 1 p c) X X X X p L d) Si q p, X L q X X L p X X Preuve a) Se déduit de la propositio.2.3. b) Se déduit de l iégalité de Tchebychev. c) Soit f C b (R, R) et ε >, E[f(X )] E[f(X)] E[ f(x ) f(x) 1 X X >ε]+e[ f(x ) f(x) 1 X X ε]. Or E[ f(x ) f(x) 1 X X >ε] cstep ( X X > ε). Soit g C K (R, R) telle que f g ε, E[ f(x ) f(x) 1 X X ε] 2ε + E[ g(x ) g(x) 1 X X ε]. La foctio g état uiformémet cotiue, η > tel que aisi, x y η g(x) g(y) ε, E[ g(x ) g(x) 1 X X ε] ε + cstep ( X X η) avec P ( X X η). d) Se déduit de l iégalité de Holder. Remarque.2.2 a) Toutes les autres implicatios sot fausses e gééral. b) Seule la covergece p.s autorise l habituelle stabilité algébrique des covergeces. Aisi, le seul moye de e pas se tromper est de reveir aux défiitios. (cotre-exemple X = X où X est symétrique X coverge e loi vers X et X X coverge e loi vers 2X). Les résultats suivats sot des réciproques partielles de la propositio.2.5. Défiitio.2.9 Ue famille {X i ; i I} de variables aléatoires das L 1 est dite uiformémet itégrable (U.I) si supe[ X i 1 Xi >]. i I

13 .3. VECTEURS GAUSSIENS 13 Exemple.2.1 a) Si I est fii alors {X i ; i I} est U.I. b) Si Y L 1 telle que i I X i Y, {X i ; i I} est U.I. Théorème.2.2 Si X p X et si la suite (X ) est U.I, alors, X L 1 et X L 1 X. Le résultat suivat est ue coséquece immédiate du critère.2.3. Théorème.2.3 Si X p X. X, alors il existe ue extractio φ telle que X φ() p.s Théorème.2.4 Si X L c, où c est ue costate alors X p c. Deux résultats importats Théorème.2.5 (LFGN) Soit (X ) ue suite de variables aléatoires i.i.d. a) O suppose X L 1. E otat S = X X, o a S E[X 1 ]. p.s et L 1 b) Si E[ X 1 ] = + la suite S diverge presque sûremet. Théorème.2.6 (TCL) Soit (X ) ue suite de variables aléatoires i.i.d. O suppose X L 2 et l o ote m = E[X] et σ 2 = V ar(x). E posat S = X X, o a S m σ L N (, 1). Simulatio.3 Vecteurs gaussies Les variables aléatoires réelles gaussiees (N (m, σ 2 )) ot été itroduites das l exemple.1.1. E dimesio supérieure, la gééralisatio de cette otio coduit au cocept de vecteurs gaussies. Défiitio.3.1 Soit X = (X 1,..., X ) u vecteur aléatoire de R. O dit que X est u vecteur gaussie, si pour tout élémet x = (x 1,..., x ) de R, la variable aléatoire réelle < x, X > est ue variable gaussiee.

14 14 TABLE DES MATIÈRES Exemple.3.1 Si (X 1,..., X ) sot des variables aléatoires gaussiees idépedates, alors, X = (X 1,..., X ) est u vecteur gaussie. Comme e dimesio 1, la loi d u vecteur gaussie est caractérisée par deux paramètres : Propositio.3.1 Si X est u vecteur gaussie de R alors, x R, Φ X (x) = e i<x,m> e xt Σx 2 où et m = (E[X 1 ],..., E[X ]) Σ = [cov(x i, X j )] 1 i,j. Das ce cas o dira que X suit ue N (m, Σ). Corollaire.3.1 (cf. prop.2.1 ) Si X = (X 1, X 2 ) est u vecteur gaussie de R 2 alors X 1 X 2 cov(x 1, X 2 ) =. Exercice.3.1 Soit (Z, X 1,..., X ) u vecteur gaussie tel que 1 i, Z X i. Motrer que Z (X 1,..., X ). Exercice.3.2 Soiet G = (G 1,..., G ) u -échatillo de la loi N (, 1), m R et A ue matrice carré de taille. Motrer que m + AG suit ue N (m, AA t ). Proposer esuite u algorithme de simulatio d u vecteur gaussie quelcoque (cf. exercice.2.1). Propositio.3.2 Si X suit ue N (m, Σ) et si Σ est iversible, alors, X est absolumet cotiue par rapport à la mesure de Lebesgue sur R de desité 1 e 1 (2π) 2 (det(σ)) 1 2 (x m)t Σ 1 (x m). 2 Si Σ est pas iversible, la loi de X est portée par u hyperpla et est doc étragère à la mesure de Lebesgue.

15 .4. NOTION D ESPÉRANCE CONDITIONNELLE 15.4 Notio d espérace coditioelle.4.1 Coditioemet par rapport à u évéemet Soiet A et B das A avec P (B) >. O défiit De même si X L 1, o défiit P (A B) =: P (A B). P (B) E[X B] =: E[X1 B]. P [B].4.2 Coditioemet par rapport à ue variable aléatoire discrète Soit Y ue variable aléatoire discrète (de support D au plus déombrable). O suppose que y D, P (Y = y) >. Soit A das A, o défiit P (A Y ) =: φ(y ) où y D, φ(y) = P (A {Y = y}). De même si X L 1, o défiit E[X Y ] =: ψ(y ) où y D, ψ(y) = E[X Y = y]. Il est importat de oter que P (A Y ) et E[X Y ] sot des variables aléatoires. Remarque.4.1 : O voit immédiatemet que la défiitio ci-dessus est propre au cas discret, e effet, lorsque Y est ue variable aléatoire de loi absolumet cotiue par rapport à la mesure de Lebesgue P (Y = y) =. Il vaut mieux alors gééraliser, la otio de coditioemet par rapport à u évéemet au cas des tribus..4.3 Coditioemet par rapport à ue tribu Soit (Ω, A, P ) u espace de probabilité, X ue variable aléatoire das L 1 et G ue sous tribu de A. Défiitio.4.1 (Théorème) Il existe ue variable aléatoire Z L 1 telle que i) Z est G-mesurable ii) E[XU] = E[ZU] U G-mesurable et borée. Z est otée E[X G] et est appelée l espérace coditioelle de X sachat G. De plus, Z est uique au ses où si Z vérifie égalemet i) et ii) alors Z = Z P p.s.

16 16 TABLE DES MATIÈRES Remarque.4.2 : Le résultat d existece précédet est basé sur le puissat théorème de Rado-Nikodym (paragraphe.6). Das le cas où X L 2, l existece de Z peut se démotrer simplemet à l aide de techiques hilbertiees. E effet, e cosidérat la projectio orthogoale Π de L 2 ((Ω, A, P )) sur le covexe fermé L 2 ((Ω, G, P )) o motre facilemet que Π(X) = E[X G]. E[X G] est doc la variable aléatoire G-mesurable la plus proche de X..4.4 Coditioemet par rapport à ue variable aléatoire Soit Y ue variable aléatoire. Défiitio.4.2 Si X L 1 o défiit E[X Y ] par E[X σ(y )]. Aisi d après la remarque.1.1, E[X Y ] est de la forme ψ(y ) où ψ est boréliee. O motre de plus que cette défiitio coïcide avec celle proposée das le paragraphe.4.2 pour le cas discret. Remarque.4.3 Toujours d après la remarque.1.1, la défiitio précédete pred la forme suivate : i) E[X Y ] est σ(y )-mesurable ii) E[Xg(Y )] = E[E[X Y ]g(y )] g boréliee et borée..4.5 Loi coditioelle O cosidère u couple (X, Y ) de variables aléatoires réelles das L 1. O suppose que la loi du couple possède ue desité f (X,Y ) par rapport à la mesure de Lebesgue sur R 2. Les desités margiales de X et Y sot doées par f X (x) = f (X,Y ) (x, y)dy et f Y (y) = f (X,Y ) (x, y)dx. R Lorsque X Y, o a f (X,Y ) = f X f Y. Si l hypothèse d idépedace est relaxée o a la formule de désitégratio suivate : f (X,Y ) (x, y) = f X Y (x, y)f Y (y) où f X Y (x, y) = f (X,Y )(x, y) f Y (y) si f Y (y) et f X Y (x, y) = sio. La foctio f X Y est alors appelée desité coditioelle de X sachat Y. O peut voir, e effet, que si φ vérifie φ(x) L 1, E[φ(X) Y ] = Φ(Y ) avec Φ(y) = φ(x)f X Y (x, y)dx. R R

17 .4. NOTION D ESPÉRANCE CONDITIONNELLE Propriétés de l espérace coditioelle Propriétés aalogues à l espérace Propositio.4.1 Soiet X et Y deux variables aléatoires itégrables et G ue sous tribu de A. a) (positivité) Si X P -p.s, E[X G] P -p.s. b) (liéarité) Si (α, β) R 2, E[αX + βy G] = αe[x G] + βe[y G] P -p.s. c) (croissace) Si X Y P -p.s, E[X G] E[Y G] P -p.s. (Cosidérer {E[Y G] E[X G] ε}.) d) (Beppo-lévy) Si X est ue suite de variables aléatoires das L 1 positives avec X X P -p.s, alors E[X G] E[X G] P -p.s. e) (Fatou) Si X est ue suite de variables aléatoires das L 1 positives, alors E[lim if X G] lim ife[x G] P -p.s. f) (Covergece domiée) Si X est ue suite de variables aléatoires das L 1 telle que X X et N, X Y, alors, E[X G] E[X G]. p.s p.s et L 1 g) (Jese) Si ψ : R R est covexe positive, alors, lorsque ψ(x) L 1, ψ(e[x G]) E[ψ(X) G] P -p.s. Remarque.4.4 O déduit de g) que l espérace coditioelle est u opérateur cotractat sur les espaces L p Propriétés spécifiques à l espérace coditioelle Propositio.4.2 Soiet X et Y deux variables aléatoires itégrables et G ue sous tribu de A. a) E[E[X G]] = E[X] b) Si X est G-mesurable, E[X G] = X P -p.s. c) Si Y est G-mesurable borée, E[XY G] = Y E[X G] P -p.s. d) Si σ(x) G, E[X G] = E[X] P -p.s.

18 18 TABLE DES MATIÈRES e) Si G est ue sous tribu de A telle que G G, alors, E[E[X G] G ] = E[X G ] P -p.s. f) Si (G i ) i I est ue famille de sous tribus de A, la famille (E[X G i ]) i I est U.I. Preuve : O se cotete de f), les autres assertios état laissées e exercice. D après l iégalité de Jese pour l espérace coditioelle, E[ E[X G i ] 1 E[X Gi ] >] E[E[ X G i ]1 E[X Gi ] >] = E[ X 1 E[X Gi ] >]. Or, d après l iégalité de Tchebychev, P ( E[X G i ] > ) E[ E[X G i] ] O coclut e utilisat le lemme suivat : E[E[ X G i]] = E[ X ]. Lemme.4.1 Si X L 1, ε >, δ >, P (A) < δ E[ X 1 A ] < ε. Les propriétés ci-dessus sot souvet essetielles et suffisates pour le calcul d espéraces coditioelles. Le recours à la défiitio est utile que pour les cas les plus délicats, par exemple, la propositio ci-dessous. Le résultat suivat sera utile das otre étude du modèle de Black-Scholes et plus gééralemet pour démotrer le caractère Markovie de certais processus. Propositio.4.3 Si σ(x) G et si Y est G-mesurable, alors, pour toute foctio boréliee Φ : R 2 R telle que E[ Φ(X, Y ) ] <, o a E[Φ(X, Y ) G] = ψ(y ) où ψ(y) = E[Φ(X, y)]. Preuve : O a ψ(y) = Φ(x, y)dp R X(x) et la mesurabilité de ψ est ue coséquece classique du théorème de Fubii. Soit G G, o ote Z = 1 G. O déduit des hypothèses que P (X,Y,Z) = P X P (Y,Z), aisi, E[Φ(X, Y )1 G ] = Φ(x, y)zdp (Y,Z) (y, z)dp X (x). R R 2 D après Fubii, doc E[Φ(X, Y )1 G ] = ψ(y)zdp (Y,Z) (y, z) R 2 E[Φ(X, Y )1 G ] = E[ψ(Y )1 G ].

19 .5. PROCESSUS STOCHASTIQUES Espérace coditioelle et vecteurs gaussies Propositio.4.4 Soit (Z, X 1,..., X ) u vecteur gaussie. Alors, il existe des costates réelles (a, b 1,..., b ) telles que E[Z X 1,..., X ] = a + X i b i. Preuve : Cosidéros le sous espace vectoriel fermé (car de dimesio fii) de L 2 egedré par (1, X 1,..., X ). O ote Π la projectio orthogoale sur ce covexe fermé. Il existe doc des costates (a, b 1,..., b ) telles que Π(Z) = a + X i b i. E otat Y = Z Π(Z), o a classiquemet E[Y ] = et E[Y X i ] =. i=1 Aisi, cov(y, X i ) =. Le vecteur (Y, X i ) état gaussie, d après le corollaire.3.1, Y X i. D après l exercice.3.1, Y (X 1,..., X ) doc E[Y X 1,..., X ] = E[Y ] =, aisi, E[Z X 1,..., X ] = Π(Z) = a + X i b i. i=1.5 Processus stochastiques.5.1 Gééralités Pour représeter l état d u système dépedat du temps et du hasard, le modèle mathématique se présete aturellemet sous la forme d u espace de probabilité (Ω, A, P ) et d ue foctio (t, ω) X t (ω) représetat l état du système. Pour t fixé, l état du système est ue variable aléatoire X t (ω), e revache, pour ue évolutio particulière du système (i.e à ω fixé) les états successifs sot représetés par la foctio t X t (ω) que l o omme par abus de lagage ue trajectoire. Défiitio.5.1 U processus aléatoire sur (Ω, A, P ), idicé par u esemble de temps T R +, est ue famille (X t ) t T de variables aléatoires sur (Ω, A, P ) à valeurs das u certai espace E (pour ous E = R). Plusieurs otios permettat de comparer les processus existet et étedet les otios d égalité e loi et p.s des variables aléatoires e preat e compte l évolutio temporelle. Défiitio.5.2 Deux processus (X t ) t T et (Y t ) t T sot dits équivalets ssi, N, (t 1,..., t ) T i=1 (X t1,..., X t ) = L (Y t1,..., Y t ). O dit égalemet que les processus ot même margiales fii-dimesioelles.

20 2 TABLE DES MATIÈRES Défiitio.5.3 U processus (X t ) t T est ue modificatio d u processus (Y t ) t T ssi, t T, X t = Y t P p.s. Défiitio.5.4 Deux processus (X t ) t T et (Y t ) t T sot dits idistiguables ssi P ({ω t T, X t (ω) = Y t (ω)}) = 1 Remarque.5.1 Les défiitios précédetes sot de plus e plus restrictives (exercices). Défiitio.5.5 O dit que les trajectoires d u processus sot cotiues (ou mootoes, ou cadlag) ssi, pour P presque tout ω, t T X t (ω) est cotiue (ou mootoe, ou cadlag). O dira par abus de lagage que le processus est cotiu (ou mootoe, ou cadlag). Exercice.5.1 Soiet (X t ) t T et (Y t ) t T deux processus stochastiques. 1) E supposat que les deux processus sot cotius à droite, motrer que si (X t ) t T est ue modificatio de (Y t ) t T, les processus sot idistiguables. 2) Sur l espace de probabilités ([, 1], B([, 1]), dx), soit (X t ) t R+ le processus défii par X t (ω) = ω + at et (Y t ) t R+ le processus défii par Y t (ω) = ω + at si t ω et Y t (ω) = sio. Motrer que (X t ) t R+ est ue modificatio de (Y t ) t R+ mais que ces deux processus e sot pas idistiguables. Pour simplifier les choses ous supposeros désormais que T = R +. Soit (X t ) t T u processus. Fixos u ombre fii d istats t 1... t. O ote P t1,...,t la loi du vecteur (X t1,..., X t ). Remarquos très simplemet que pour toute famille (A 1,..., A ) de Borélies, pour t +1 t, o a P t1,...,t (A 1... A ) = P t1,...,t,t +1 (A 1... A R). (1) Le théorème suivat dû à Kolmogorov assure l existece d u processus stochastique associé à ue famille de margiales fii-dimesioelles pourvu qu ue coditio de compatibilité aturelle de type (1) soit vérifiée. Ce théorème se révèle utile pour démotrer de maière abstraite l existece d u processus e particulier. Théorème.5.1 Soit ue famille de probabilités telle que : {P t1,...,t ; 1, t 1... t }

21 .5. PROCESSUS STOCHASTIQUES 21 a) P t1,...,t est ue probabilité sur R b) Si { s 1... s m } { t 1... t } alors π P t1,...,t = P s1,...,s m où π est la projectio aturelle de R sur R m. Il existe alors u processus (X t ) t R+ sot exactemet les {P t1,...,t }. dot les margiales fii-dimesioelles U processus état ue foctio de deux variables, o a ue défiitio aturelle de la mesurabilité. Défiitio.5.6 U processus (X t ) t R+ est dit mesurable si la foctio (t, ω) (R +, B(R + )) (Ω, A) X t (ω) (R, B(R)) est mesurable i.e T R +, A A, {(t, ω); t T, X t (ω) A} B([, T ]) B(R). Remarque.5.2 Notos que si (X t ) t R+ est mesurable, si f C b (R, R), la variable aléatoire Y t = f(x s)ds est bie défiie. Exercice.5.2 Motrer qu u processus à trajectoire C à droite (ou C à gauche) est mesurable. (Cosidérer X t = X +lim X avec X = 2 1 X 1 k+1 2 ] k 2, k+1 2 ].) Défiitio.5.7 O ote classiquemet { [ T L 2 (Ω [, T ]) = (X t ) t [,T ] mesurable; E k= ] } Xs 2 ds < qui équipé de la orme aturelle associée est u espace de Hilbert..5.2 Filtratios, processus adaptés Soit (Ω, A, P ) u espace de probabilité. Défiitio.5.8 Ue famille croissate (F t ) t R+ de sous-tribus de A s appelle ue filtratio. Cette tribu est dite complète si t R +, F t cotiet les esembles égligeables N de A où N = {N Ω; A A, N A, P (A) = }.

22 22 TABLE DES MATIÈRES Remarque.5.3 Du poit de vue de la modélisatio, F t représete l iformatio dispoible à la date t. O peut de plus toujours se rameer au cas d ue tribu complète e chageat F t e σ(n F t ). Doréavat, au vue de la remarque précédete, les tribus que ous cosidéreros serot supposées complètes. Défiitio.5.9 U processus (X t ) t R+ est dit adapté à la filtratio (F t ) t R+ si X t est F t mesurable. est toujours adapté à sa filtratio a- Remarque.5.4 U processus (X t ) t R+ turelle Ft X = σ(x s ; s t). Remarque.5.5 L itérêt de travailler avec des tribus complètes est que a) si X t = P p.p Y t et si X t est F t mesurable Y t est F t mesurable (aisi ue modificatio d u processus adapté est adaptée). b) si X t p.p X t et si, X t est F t mesurable X t est F t mesurable. La otio dyamique (liée à ue filtratio) de mesurabilité itroduite ci-dessus est restrictive. Elle omet le fait qu u processus est ue foctio de deux variables. Défiitio.5.1 U processus (X t ) t R+ T > la foctio est dit progressivemet mesurable si, est mesurable. (t, ω) ([, T ], B([, T ])) (Ω, F T ) X t (ω) (R, B(R)) Exercice.5.3 Pour tout t 1... t = T, soiet F ti des variables aléatoires F ti mesurables. O ote 1 X t = F ti 1 [ti,t i+1 [(t). (2) i=1 Motrer que (X t ) t [,T ] est progressivemet mesurable. O otera E([, T ] Ω) les élémets de la forme (2) avec F ti L 2 (F ti ). Remarque.5.6 U processus progressivemet mesurable est mesurable et adapté. Exercice.5.4 Motrer que lorsque (X t ) t R+ est progressivemet mesurable le processus (Y t ) t R+ défii das la remarque.5.2 est adapté (Utiliser Fubii).

23 .5. PROCESSUS STOCHASTIQUES 23 Propositio.5.1 Si u processus (X t ) t R+ est C à droite (ou C à gauche) et adapté alors il est progressivemet mesurable. Preuve : Das le cas C à gauche o pose X (t) = X [ t T ] T. O a t, Xt X t. p.p Or B B(R), {(t, ω); t T, X t B} = [, T [ {X B}... B([, T ]) F T d où le résultat. O procède de la même maière das le cas C à droite e posat X (t) = X if(t,([ t T ]+1) T ). Défiitio.5.11 O ote { [ T L 2 prog(ω [, T ]) = (X t ) t [,T ] prog mes; E ] } Xs 2 ds <. Théorème.5.2 L espace L 2 prog(ω [, T ]) muit de sa orme aturelle est u espace de Hilbert. De plus, E([, T ] Ω) est dese das L 2 prog(ω [, T ]). Preuve : Nous démotreros seulemet la deuxième partie du théorème, la première état u résultat classique de théorie des probabilités. O itroduit tout d abord ue procédure d approximatio das le cas détermiiste. Soit f L 2 ([, T ], dx), o ote N, t [, T ], P (f)(t) = i= i i 1 f(s)ds1 ] i, i+1 O peut voir que l opérateur liéaire P est cotractat e effet, si t ] i, i+1 et doc T i [P (f)(t)] 2 f 2 (s)ds i 1 [P (f)(t)] 2 dt T [f(t)] 2 dt. O peut motrer égalemet que, f C K ([, T ], R), P (f) ](t). ] f (3) L 2 ([,T ]) et étedre ce résultat à toute f L 2 ([, T ]) par desité. O éted maiteat cette procédure à L 2 prog(ω [, T ]). O pose X L 2 prog(ω [, T ]), t [, T ], pour presque tout ω, P (X t (w)) = P (X. (ω))(t).

24 24 TABLE DES MATIÈRES Comme X L 2 prog(ω [, T ]), P (X) E([, T ] Ω) car otammet (exercice.5.4) i i 1 X s ds est F i mesurable. Il est alors très simple e utilisat (3) et le théorème de covergece domiée de démotrer la covergece de P (X) vers X das L 2 prog(ω [, T ]) : X apparteat à L 2 prog(ω [, T ]), pour presque tout ω, X. (ω) L 2 ([, T ]) et doc d après (3), T (P (X s ) X s ) 2 ds p.p e restat majoré (iégalité de Mikowski) par 4 X. (ω) 2 L 2 ([,T ]) L2 (P )..5.3 Processus gaussies Défiitio.5.12 U processus stochastique (X t ) t R+ est gaussie ssi, N, t 1,..., t R +, le vecteur (X t1,..., X t ) est gaussie. La loi d u processus gaussie est caractérisée par deux foctios, sa foctio d espérace m : t E[X t ] et sa foctio de covariace Γ : (s, t) E[(X t m(t))(x s m(s))] qui est ue foctio symétrique de type positif au ses où N, t 1,..., t R +, la matrice carrée [Γ(t i, t j )] 1 i,j est symétrique positive. Nous avos e effet le résultat suivat, simple coséquece du théorème de Kolmogorov. Propositio.5.2 Soiet m : R + R ue foctio quelcoque et Γ : (R + ) 2 R ue foctio de type positif. Alors, il existe u processus gaussie de foctio d espérace m et de foctio de covariace Γ. Exemple.5.1 Motrer que la foctio (s, t) (R + ) 2 if(s, t) est de type positif. (O pourra procéder par récurrece).5.4 Martigales e temps cotiu Nous revoyos le lecteur à? pour ue présetatio cosistate de la théorie des martigales. Soit (Ω, A, P ) u espace de probabilité et (F t ) t R+ ue filtratio de cet espace. Défiitio.5.13 Ue famille adaptée (M t ) t R+ de variables aléatoires das L 1 est :

25 .5. PROCESSUS STOCHASTIQUES 25 - ue martigale si, t s, E[M t F s ] = M s. (jeu équitable) - ue surmartigale si, t s, E[M t F s ] M s. (jeu perdat) - ue sous-martigale si, t s, E[M t F s ] M s. (jeu gagat) Remarque.5.7 Ue martigale (M t ) vérifie t E[M t ] = E[M ]. Exemple.5.2 Si X L 1, M t = E[X F t ] est, d après la propositio.4.2, ue martigale. Les résultats suivats ous serot utiles par la suite. Propositio.5.3 Soit (M t ) t R+ ue martigale de carré itégrable, alors, s t, o a E[(M t M s ) 2 F s ] = E[M 2 t M 2 s F s ]. Preuve : O a E[(M t M s ) 2 F s ] = E[Mt 2 F s ] 2E[M t M s F s ] + E[Ms 2 F s ]. } {{ } Ms 2 Le résultat découle alors de l égalité E[M t M s F s ] = M 2 s. est à accroisse- Propositio.5.4 Ue martigale de carré itégrable (M t ) t R+ mets orthogoaux. Preuve : Il suffit de prouver que pour t 4 > t 3 t 2 > t 1 E[(M t4 M t3 )(M t2 M t1 )] =. Ce qui s obtiet e coditioat par rapport à F t3. Propositio.5.5 Soit (M t ) t R+ ue martigale cotiue de carré itégrable telle qu il existe (Φ t ) t [,T ] L 2 (Ω [, T ]) vérifiat, t T, M t = Φ sds. Alors P ({ω; t T, M t = }) = 1.

26 26 TABLE DES MATIÈRES Preuve : O a d après la propositio précédete, ( E[Mt 2 ] = E i=1 M it M (i 1)t Aisi d après l iégalité de Schwartz, ( it E[Mt 2 ] = E i=1 (i 1)t ) 2 Φ s ds = E ) 2 [ i=1 ( M it t E [ M (i 1)t ] Φ 2 sds. Le résultat s obtiet par passage à la limite et e utilisat la cotiuité des trajectoires de (M t ) t R+. Nous aborderos pas ici (par maque de temps) la otio de temps d arrêt et sa relatio fructueuse avec la théorie des martigales. Cepedat, ous éoços le résultat fodametal suivat qui ous assure que pour cotrôler l évolutio d ue martigale sur u segmet il suffit de cotrôler sa valeur termiale. ) 2 ]. Théorème.5.3 (Iégalité de Doob) Soit (M t ) t R+ itégrable et à trajectoires cotiues, alors, T R +, ue martigale de carré E[ sup M t 2 ] 4E[ M T 2 ]. t T O otera doréavat M 2 ([, T ]) l espace des martigales sur [, T ] de carré itégrable et à trajectoires cotiues (quotieté par la relatio d équivalece M M ssi M et M sot idistiguables). Si (M t ) t [,T ] M 2 ([, T ]) o ote M 2 l applicatio défiie par M M 2 = E[ M T 2 ]. O a alors la propositio suivate : Propositio.5.6 L applicatio M 2 défiie sur M 2 ([, T ]) est ue orme. L espace M 2 ([, T ]) mui de M 2 est u espace de Hilbert. Preuve : O admet le secod poit, le premier est ue coséquece immédiate de l iégalité de Doob. Remarque.5.8 Pour la complétude de M 2 ([, T ]), la complétude de la filtratio est idispesable.

27 .6. THÉORÈME DE RADON NIKODYM 27.6 Théorème de Rado Nikodym Défiitio.6.1 Soiet P et Q deux probabilités défiies sur le même espace de probabilité (Ω, A). a) O dit que P est absolumet cotiue par rapport à Q (ot : P Q) si A A, Q(A) = P (A) =. b) O dit que P et Q sot équivaletes (ot : P Q) si A A, P (A) = Q(A) =. c) O dit que P et Q sot étragères (ot : P Q) si A A, tel que P (A) = et Q(A) = 1. Le théorème suivat ous sera utile pour ue boe compréhesio des chagemets de probabilités das les modèles fiaciers. Théorème.6.1 (Rado-Nikodym) Soiet P et Q deux probabilités défiies sur le même espace de probabilité (Ω, A). Alors P Q si et seulemet si il existe ue variable aléatoire Z Q itégrable (uique à égalité Q p.s près) vérifiat E Q [Z] = 1 telle que, A A, P (A) = E Q [Z1 A ]. O appelle Z la desité de Rado-Nikodym de P par rapport à Q. Elle est gééralemet otée Z =: dp dq. Remarque.6.1 ce cas, dp = 1 dq dq. dp Si P Q o voit facilemet que Z > Q (ou P ) p.s, das Exercice.6.1 le but est ici de démotrer le théorème-défiitio.4.1. Soit X L 1 (Ω, A, P ), o veut démotrer l existece de E[X G]. a) Motrer que l o peut supposer X. b) Motrer que la foctio défiie sur (Ω, A) par Q(A) = XdP est ue mesure positive borée telle que Q P. c) Motrer qu il e est de même pour la restrictio de Q à (Ω, G). d) E utilisat le théorème de Rado-Nikodym, proposer u cadidat aturel pour E[X G]. A

28 28 TABLE DES MATIÈRES Exemple.6.1 (U premier pas vers Girsaov) O cosidère ue variable aléatoire X suivat, sous ue probabilité P, ue N (m, σ 2 ). Le but est de trouver ue probabilité Q équivalete à P telle que, sous Q, X suit ue N (, σ 2 ). Cosidéros la variable L = e mx σ 2 e + m2 2σ 2. D après l exemple.1.2, o voit facilemet que E P [Z] = 1, o défiit alors la probabilité Q par L = dq dp. Comme o a le résultat. E Q [e itx ] = E P [Le itx ] = e σ2 t 2 2

29 Bibliographie [1] N. Bouleau : Probabilité de l igéieur, Herma, [2] J. Jacod, P. Protter : Probability essetials, Spriger, 24. [3] D. Williams, Probability with martigales, Cambridge Uiv. Press, Cambridge,

30 3 BIBLIOGRAPHIE

31 Chapitre 1 Le mouvemet Browie Ce chapitre a été rédigé (trop???) rapidemet, merci à vous de me sigaler les coquilles ou erreurs évetuelles. 1.1 U peu d histoire Nous revoyos le lecteur à [9] pour u riche exposé historique couvrat la période Le mouvemet Browie est le plus célèbre et le plus importat processus stochastique. Il est u exemple frappat des relatios fructueuses qui uisset par momet les mathématiques et la physique. Avat d être u objet mathématique rigoureux, il a pu être observé sous diverses formes. O peut raisoablemet peser que tout commece aux aletours de 183, lorsque le botaiste Brow observe le mouvemet des particules de polle e suspesio das l eau. Ce mouvemet est e partie expliqué, quelques aées plus tard (1877) par Delsaux, e mettat e lumière l iteractio des particules de polle avec les molécules d eau qui provoque u chagemet icessat de directio de trajectoire via de multiples chocs thermiques (o trouvera ue superbe simulatio de ce phéomèe à l adresse http ://chaos.us.edu.sg/simulatios/ ). E 19, Bachelier, das des travaux pioiers qui serot à la base de la fiace mathématique modere, repred ces idées essetielles pour modéliser le cours d u actif fiacier, souligat par ailleurs so caractère Markovie (voir [2]). C est Eistei qui e 195 ([6])e doe ue défiitio raisoable. O ote X t la positio à l istat t d ue petite particule évoluat das u liquide. O suppose que a) X t+h X t est idépedat de σ(x s ; s t). b) La loi de X t+h X t e déped pas de t. c) Les trajectoires sot cotiues. 31

32 32 CHAPITRE 1. LE MOUVEMENT BROWNIEN La première hypothèse sigifie que l évolutio de la trajectoire sur [t, t + h] est uiquemet due aux chocs que subit la particule durat cette période, le phéomèe d iertie (et doc das u ses la masse de la particule) est égligé. La secode que la situatio est idetique à elle même au cours du temps (pas de variatios de température). La troisième que la particule e saute pas. Notos efi qu aucue précisio sur le caractère gaussie est faite a priori, celle ci état ue coséquece (cf. ifra) des autres hypothèses. Eistei parviet à calculer la desité de trasitio de ce processus P (X t+h dy X h = x) = q(t, x, y) et à relier ses résultats à l équatio de la chaleur (l équatio u(t,x) u(t,x) = de t 2 x 2 coditio iitiale u(,.) = f admet pour solutio u(t, x) = E[f(X t+h ) X h = x]). U pot sas précédet etre l aalyse et les probabilités viet d être amorcé, riche de coséqueces... D u poit de vue mathématique, la preuve rigoureuse de l existece d u tel processus apparaîtra que bie plus tard (1923) das les travaux de N.Wieer [16]. So étude fie, iitiée par P. Lévy [12], occupe ecore aujourd hui de ombreux mathématicies de part le mode. Das le domaie de l igéierie, il s est imposé au cours de ces derières aées comme u outil essetiel voir idispesable. Notos efi, que Wedeli Werer a obteu e 26 la médaille Fields pour ses découvertes cocerat les objets plas aléatoires e liaiso avec la physique statistique (o peut voir à l adresse suivate http ://www.caalu.fr/caalu /chaiev2/utls/programme/ /sequece id/ /format id/33/ so itervetio à l uiversité de tous les savoirs). Avat de retrer das le vif du sujet et pour justifier la défiitio du mouvemet Browie que ous adopteros das le prochai paragraphe ous démotros le résultat suivat. Lemme Soit X t vérifiat les hypothèses a), b) et c) ci-dessus. O suppose X =, alors, il existe m et σ 2 tels que X t suive ue N (mt, σ 2 t). Preuve : Nous allos supposer (c est e fait ue coséquece u peu techique des hypothèses, voir par exemple [8]) pour simplifier les choses que supe[xt 2 ] < +. t 1 Das ce cas, les trajectoires du processus sot cotiues das L 1. E effet, soit ε >, o tire de E[ X t X s ] = E[ X t X s 1 Xt X s >ε] + E[ X t X s 1 Xt X s ε] et de l iégalité de Holder que E[ X t X s ] E[ X t X s 2 ] 1 2 P ( Xt X s > ε) ε.

33 1.2. DÉFINITION, EXISTENCE, SIMULATION 33 Le résultat est alors prouvé car la cotiuité des trajectoires etraîe leur cotiuité e probabilité. Pour N, o a X t = X t + (X 2t X t ) (X t X ( 1)t ), doc d après b), N, E[X t ] = E[X t ]. Soit (p, q) N N, d après le relatio précédete pe[x 1 ] = E[X p ] = E[X ( p q )q ] = qe[x p q ], doc, s Q, E[X s ] = se[x 1 ]. Et par cotiuité des trajectoires das L 1, o a, t R, E[X t ] = te[x 1 ] = tm. Par u raisoemet aalogue au précédet, o motre que E[(X s ms) 2 ] = se[(x 1 m) 2 ], s Q, cette relatio s étedat à R tout etier car la foctio t E[(X t mt) 2 ] est croissate. E effet d après b), E[(X t+h m(t + h)) 2 ] = E[(X t mt) 2 ] + E[(X h mh) 2 ] E[(X t mt) 2 ]. E écrivat alors, N, où les variables (X kt X t = (X t X ) +...(X t X ) ( 1)t X (k 1)t ) sot i.i.d de moyee tm et de variace tσ2, u argumet aalogue à celui utilisé das la preuve du T.C.L (D.L de la foctio caractéristique) ous doe le résultat (voir [5]). 1.2 Défiitio, existece, simulatio Défiitio Soit (Ω, A, P ) u espace de probabilité. Pour simplifier les choses, o suppose que otre itervalle d étude est boré (o predra [, T ] avec souvet T = 1 mais cela e chage rie). Le mouvemet Browie est u processus (B t ) t [,1] cotiu dot les accroissemets sot idépedats, statioaires et gaussies. Plus précisémet,

34 34 CHAPITRE 1. LE MOUVEMENT BROWNIEN Défiitio U mouvemet Browie (stadard) (M.B) est u processus (B t ) t [,1] vérifiat : F B s a) B = P -p.s. b) B est cotiu i.e t B t (w) est cotiue pour P presque tout w. c) B est à accroissemets idépedats : Si t > s, B t B s est idépedat de = σ(b u, u s). d) Les accroissemets de B sot statioaires, gaussies : Si t s, B t B s suit ue N (, t s). Remarque a) Coformémet à ce qui a été précisé das le paragraphe.5, o suppose que la tribu (F B t ) t [,1] est complète. b) Par u raisoemet aalogue à celui formulé das la démostratio du lemme 1.1.1, l assertio d) peut être remplacée par Les accroissemets de B sot statioaires, cetrés, de carré itégrable avec V ar(b 1 ) = 1. c) Par u raisoemet classique de classe mootoe o motre que l assertio c) est équivalete à Pour tout t 1... t s < t, B t B s (B t1,..., B t ) (voir [4]). O peut proposer ue défiitio équivalete e liaiso avec la théorie des processus gaussies. Propositio U processus (B t ) t [,1] est u M.B ssi c est u processus gaussie, cotiu, cetré, de foctio de covariace Γ[s, t] = if(s, t). Preuve : Pour t 1... t le vecteur (B t1, B t2 B t1,..., B t B t 1 ) costitué de gaussiees idépedates est u vecteur gaussie. Aisi par combiaisos liéaires (B t1,..., B t ) l est égalemet. Le M.B est u processus gaussie cotiu. Il est de plus cetré et si t s cov(b t, B s ) = E[B t B s ] = E[(B t B s )B s ] + E[(B s ) 2 ] = s. O vérifie la défiitio poit par poit. a) E[(B ) 2 ] = doc B = P -p.s. b) B est cotiu par hypothèse. c) Pour t 1... t s < t le vecteur (B t1,...b t, B t B s ) est gaussie avec cov(b t B s, B ti ) =. Aisi (corollaire et exercice.3.1) B t B s (B t1,..., B t ) et doc d après la remarque ci dessus, B t B s est idépedat de Fs B = σ(b u, u s). d) Efi, pour s t, B t B s est gaussiee, cetrée de variace V ar(b t B s ) = t + s 2if(s, t) = t s.

35 1.2. DÉFINITION, EXISTENCE, SIMULATION Existece, costructio, simulatio Plusieurs méthodes, plus ou mois abstraites, permettet de costruire le M.B. Ces méthodes reposet gééralemet sur des résultats o triviaux. Radomisatio d u espace de Hilbert Soit (g ) N ue famille de variables aléatoires i.i.d suivat la loi ormale cetrée réduite. O cosidère l espace de Hilbert H = L 2 ([, 1], dx) et l o ote (χ ) N ue base orthoormée de H. O ote, t [, 1], B t = = χ (s)ds g (la série covergeat das L 2 ). D après l exercice.2.2, la variable B t est gaussiee, cetrée, de variace V ar(b t ) = ( = χ (s)ds) 2 = t. De la même maière, o motre facilemet que (B t ) t [,1] est u processus gaussie, cetré et de foctio de covariace égale à Γ[s, t] = if(s, t). E vertu de la propositio 1.2.1, reste à démotrer la cotiuité. L étude précise de la série aléatoire peut ous permettre de coclure (e étudiat sa covergece uiforme presque sûre) mais se révèle u peu techique ([13]). U tour de passe-passe est d utiliser le puissat (trop puissat das ce cas???) théorème de Kolmogorov (voir [1]) : Théorème (Critère de cotiuité) Soit (X t ) t R u processus stochastique vérifiat la relatio suivate, T >, C T, s < t T, E[ X t X s p ] C T t s α (1.1) où p > et α > 1. Alors, il existe ue modificatio de ce processus qui possède des trajectoires cotiues. Das le cas de (B t ), si s < t 1, B t B s suit ue N (, t s) et doc d après l exercice.1.1, E[ B t B s 2k ] = (2k)! 2 k k! (t s)k. D où le résultat e preat par exemple k = 2. Les deux exemples qui suivet sot u cas particulier de la méthode ci-dessus avec u choix explicite pour la base hilbertiee.

36 36 CHAPITRE 1. LE MOUVEMENT BROWNIEN Représetatio de Wieer (1923) ([16]) E cosidérat la base trigoométrique, o obtiet ue représetatio explicite du mouvemet Browie à l aide d ue série de Fourier aléatoire qui a été démotré par Wieer. Ce résultat est le premier résultat d existece cocerat le mouvemet Browie. O a B t = 8 π =1 si(t) g (1.2) où la série coverge uiformémet presque sûremet sur [, 1]. Notos que E[B t ] = et qu u résultat classique doe E[(B t ) 2 ] = 8 π 2 =1 si 2 (t) 2 = t. Méthode du poit milieu (costructio de Paul Lévy) E 1939, Paul Lévy propose ue costructio simple du mouvemet Browie. Cette approche ouvelle lui permettra de découvrir des propriétés importates de la trajectoire Browiee. Nous proposos ici ue approche puremet algorithmique de cette costructio, le lecteur état revoyé à [14] pour les détails plus techiques. Le but est ici d obteir à moidre frais ue approche de simulatio. Pour s t o sait (propositio 1.2.1) que le vecteur est gaussie. O pose alors (B t+s, B t, B s ) 2 Z = B t+s (B t + B s ) qui est ue variable aléatoire gaussiee telle que E[Z] = et V ar(z) = 1 (t s). 4 E utilisat le corollaire.3.1, o motre que Z (B t, B s ) car cov(z, B t ) = et cov(z, B s ) =. O peut doc mettre Z sous la forme Z = t s G 2 s,t où G s,t est ue gaussiee stadard idépedate de (B t, B s ). Remarque O peut motrer très simplemet qu e fait G s,t B u lorsque u s ou u t. E coclusio B t+s = 1 t s 2 2 (B t + B s ) + G s,t 2 G s,t B u lorsque u s ou u t.

37 1.2. DÉFINITION, EXISTENCE, SIMULATION 37 O simule alors ue trajectoire browiee de la maière suivate : 1) O simule ue famille (G i ) i N de gaussiees stadards idépedates (exercice.2.1). 2) O pose B 1 = G 1 3) O pose B 1 2 4) O pose B 1 4 5) O poseb 3 4 6) Etc... = 1 2 (B 1 + G 2 ) = 1 2 (B G 3 ) = 1 2 (B B G 4 ) O obtiet le résultat suivat sous scilab!"$!"!!!"$!!"&!!"(!!"*!#"!!#"$!"!!"#!"$!"%!"&!"'!"(!")!"*!"+ #"! Pricipe d ivariace de Dosker Le pricipe d ivariace de Dosker est ue gééralisatio foctioelle du T.C.L. O se doe ue famille (U k ) k N de variables aléatoires idépedates, cetrées et réduites. Pour tout N, o ote S = U U la -ième somme partielle. D après le T.C.L, S N (, 1) et plus gééralemet, t [, 1], L S [t] L N (, t) (la loi de B t ).

38 38 CHAPITRE 1. LE MOUVEMENT BROWNIEN Cosidéros alors l iterpolatio polygoale de rag de la série des sommes partielles : t [, 1], o pose X (t) = 1 [t] U k + (t [t])u [t]+1. (1.3) k=1 Le résultat suivat (voir par exemple [1]) est dû à Dosker et fourit u outil de simulatio des trajectoires Browiees. Théorème La suite de processus cotius (X ) coverge e loi das C = C([, 1], R) vers la loi du M.B i.e f C b (C, R), E[f(X )] E[f(B)]. La simulatio suivate a été réalisée sous scilab e choisissat les U i de sorte que P (U i = 1) = P (U i = 1) = 1 et e preat = 1. 2 $!!!$!!&!!(!!*!!#!!!#$!!#&!!"!!"#!"$!"%!"&!"'!"(!")!"*!"+ #"! #"# 1.3 Propriétes Les propriétés que ous voyos das ce paragraphe sot assez rudimetaires. Pour des résultats plus fis o peut cosulter par exemple ([15]) O cosidérera das cette partie que (B t ) t est u M.B sur R +.

39 1.3. PROPRIÉTES Propriétés de martigale Propositio Les processus (B t ), ((B t ) 2 t) et (e θbt θ2 t 2 ) (θ R) sot des (F B t ) t R+ martigales. O a la célèbre propositio suivate qui est dû à Paul Lévy. Propositio Soit (X t ) t ue martigale (par rapport à ue certaie tribu (F t ) t ) cotiue issue de. Alors X est u M.B si l ue des deux coditios suivates est vérifiée : a) Le processus t (X t ) 2 t est ue martigale. b) Le processus t e θxt θ2 t 2 est ue martigale pour tout θ R. Preuve : Nous allos seulemet motrer que a) implique que X t est u M.B (le b) se fait e utilisat la formule d Itô que ous verros ultérieuremet). Pour t > s, o a θ R, et e preat l espérace E[e iθ(xt Xs) t s θ2 F s ] = e 2 E[e iθ(xt Xs) t s θ2 ] = e 2. Ceci motre à la fois que X t X s F s car si Y est F s mesurable, u R E[e iθ(xt Xs)+iuY ] = E[E[e iθ(xt Xs)+iuY F s ]] = E[e iuy t s θ2 ]e 2 = E[e iuy ]E[e iθ(xt Xs) ], et que X t X s suit ue N (, t s) Trasformatios Propositio O pose B (s) t = B t+s B s, s fixé, Y t = cb t, c >, Z c 2 t = tb 1, t t >, Z =. Alors, les processus B t, B (s) t, Y t et Z t sot des mouvemets browies stadards. Le fait que Y t soit u M.B est ue propriété fodametale. E effet, le M.B est u processus auto-similaire (ou u fractal aléatoire) i.e u processus dot le comportemet reste le même à différetes échelles. (illustrer par ue simulatio!!!) Preuve de la propositio : Pour B t, B (s) t, Y t la vérificatio est immédiate, reste Z t. Il est facile de voir que Z t est u processus gaussie cetré de foctio de covariace Γ(s, t) = if(s, t). Reste à démotrer la cotiuité de Z (i.e sa

40 4 CHAPITRE 1. LE MOUVEMENT BROWNIEN cotiuité e ). Ce résultat est u peu techique ([14]) et ous allos ous coteter de motrer que B. Comme B = (B B 1 ) (B 1 B ) où les (B i+1 B i ) formet u -échatillo de la loi ormale cetrée réduite, le résultat est ue coséquece de la L.F.G.N Propriétés trajectorielles Les trajectoires du mouvemet browie sot caractérisées par ue remarquable irrégularité. Nous ous proposos de mettre e évidece ici quelques ues de ces pathologies. Propositio Soit (B t ) u mouvemet Browie. Alors P -p.s, B a) lim sup t t + t B = lim sup t t + t = + B b) lim if t t + t B = lim if t t + t = Preuve : Pour a) o cosidère la variable aléatoire R = lim sup t + B t t = lim sup t + B t B s t ( s ). Par idépedace des accroissemets Browies R σ(b u, u s) pour tout s et doc R σ(b u, u ). Aisi R R et doc R est ue costate (fiie ou ifiie). Supposos que R est fiie, aisi par défiitio de la lim sup, P ( Bt t R + 1) quad t +. Or P ( Bt t R + 1) = P (B 1 R + 1) > d où le résultat. La deuxième partie de a) se traîte de la même maière. Le poit b) est ue coséquece immédiate de a) et de la symétrie du Browie. Corollaire i) P -p.s, (B t ) passe ue ifiité de fois par tout poit. ii) (B t ) est P -p.s dérivable i à droite, i à gauche e tout poit. Preuve : i) est ue coséquece directe de la cotiuité des trajectoires (qui vérifiet doc le T.V.I) et de la propositio précédete. B ii) O peut voir que B t est P -p.s pas dérivable à droite e car lim sup t B t + + P -p.s. E cosidérat esuite (avec les otatios de la propositio 1.3.3) les Browies trasformés Bt s et Z t o motre la o dérivabilité à droite et à gauche e tout poit. t =

41 1.3. PROPRIÉTES 41 Remarque Les trajectoires du M.B sot doc des exemples explicites de foctios cotiues ulle part dérivables. Notos que sas faire appel aux probabilités, la costructio explicite d u tel objet est loi d être évidete (cf. foctio de Weierstrass). Du poit de vue de la modélisatio ( 1.1), la o dérivabilité sigifie qu o e peut défiir la vitesse de la particule, ceci est doc physiquemet très imparfait. Le fait d avoir égligé la masse de la particule (pas d iertie) est ue explicatio de ce phéomèe. Propositio P ({ω; t B t (w) est mootoe sur u itervalle}) = Preuve : O ote F = {ω; il existe u itervalle où t B t (w) est mootoe}. O a F = {ω; t B t (w) est mootoe sur [s, t]}. (s,t) Q 2, s<t Pour s < t fixés das Q, o étudie par exemple Alors A = > et statioarité, A = {ω; t B t (w) est croissate sur [s, t]}. 1 i= A i où A i = {ω; B s+(t s) i+1 1 P ( A i ) = 1 2. i= B s+(t s) i Aisi, >, P (A) 1 2, doc P (A) et P (F ) sot ulles Variatio et variatio quadratique La propositio suivate sera fodametale pour le reste du cours. }. Par idépedace Propositio Soit t >. O pose N, j {,..., 2 }, t j = tj 2. Alors, Z t = 2 j=1 B t j B t j 1 2 p.s et L 2 t. Preuve : O a E[Z t ] = t. Aisi pour la covergece das L 2 il faut motrer que V ar(z t ). Or, V ar(z t ) = 2 j=1 V ar( B t j B t j 1 2 ) = 2 j=1 ( t 2 )2 = 2 t 2,

Chapitre 3 : Fonctions d une variable réelle (1)

Chapitre 3 : Fonctions d une variable réelle (1) Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s

Plus en détail

Processus et martingales en temps continu

Processus et martingales en temps continu Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de

Plus en détail

1 Mesure et intégrale

1 Mesure et intégrale 1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios

Plus en détail

Correction CCP maths 1 MP

Correction CCP maths 1 MP mai 4 Avertissemet : Il subsiste certaiemet quelques coquilles... Exercice : ue itégrale double Correctio CCP maths MP Pour calculer cette itégrale, o effectue le chagemet de variable e coordoées polaires

Plus en détail

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé : Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +

Plus en détail

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1 Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S

Plus en détail

PROJET DE MONTE CARLO SUJET 1: LE PRICING

PROJET DE MONTE CARLO SUJET 1: LE PRICING LE Age KHOURI Nadie M MMD PROJE DE MONE ARLO SUJE : LE PRIING Selim ZOUGHLAMI QUESION : Supposos d abord que X est u mouvemet browie W t G([ 0, ]) Alors W0 G( 0 ) suit ue loi N(0,0) et doc W 0ps 0 Esuite,

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours Exo7 Logique, esembles et applicatios Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I :

Plus en détail

Inégalités souvent rencontrées

Inégalités souvent rencontrées Iégalités souvet recotrées Recotres Putam 004 Uiversité de Sherbrooke Jea-Philippe Mori Théorie Certaies iégalités sot deveues célèbres e raiso de leur grade utilité Elles sot aussi souvet au coeur de

Plus en détail

Correction HEC III 2007

Correction HEC III 2007 HEC III 7 Voie Écoomique Correctio Page Correctio HEC III 7 Voie écoomique La correctio comporte 9 pages. Eercice. Par dé itio est ue valeur propre de t si et seulemet si est ue valeur propre de T: Et

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n = [http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.

Plus en détail

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h Etrée à Scieces Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h A P M E P Les calculatrices sot autorisées Exercice Vrai-Faux 8 poits Pour chacue des affirmatios suivates,

Plus en détail

Limites des Suites numériques

Limites des Suites numériques Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet

Plus en détail

Etude de la fonction ζ de Riemann

Etude de la fonction ζ de Riemann Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES II

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES II CHAMBRE DE COMMERCE ET D INDUSTRIE DE PARIS DIRECTION DE L ENSEIGNEMENT Directio des Admissios et cocours ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON CONCOURS

Plus en détail

Soit E un ensemble. On appelle classe de parties de E un sous-ensemble non vide de P(E).

Soit E un ensemble. On appelle classe de parties de E un sous-ensemble non vide de P(E). Chapitre 1 Tribus 1.1 Défiitios Soit E u esemble. O appelle classe de parties de E u sous-esemble o vide de P(E). Défiitio 1.1.1. Ue tribu A sur E est u sous-esemble o vide de P(E) tel que : (i) la partie

Plus en détail

Dénombrement - Combinatoire Cours

Dénombrement - Combinatoire Cours Déombremet - Combiatoire Cours La combiatoire (ou aalyse combiatoire) étudie commet compter des objets. Elle fourit des méthodes de déombremet particulièremet utiles e probabilité. U des pricipaux exemples

Plus en détail

[M. Gubinelli - Processus discrets - M1 MMD 2009/ v.6] IV Martingales

[M. Gubinelli - Processus discrets - M1 MMD 2009/ v.6] IV Martingales Filtratios et martigales 1 [M. Gubielli - Processus discrets - M1 MMD 2009/2010-20100113 - v.6] IV Martigales 1 Filtratios et martigales O cosidère u espace probabilisé (Ω, F, P). Défiitio 1. Ue filtratio

Plus en détail

1 Programme de l agrégation interne

1 Programme de l agrégation interne Séries umériques Programme de l agrégatio itere Partie 0b : Séries de ombres réels ou complexes Séries à termes positifs La série coverge si et seulemet si la suite des sommes partielles est borée Étude

Plus en détail

Terminale S (2014-2015) Suites numériques

Terminale S (2014-2015) Suites numériques Termiale S (04-05) Suites umériques Raisoemet par récurrece. Itroductio E Mathématiques, u certai ombre de propriétés dépedet d u etier aturel. Par exemple, la ( + ) somme des etiers aturels de à est égale

Plus en détail

EPREUVE SPECIFIQUE - FILIERE PC MATHEMATIQUES. Mardi 3 mai : 14 h - 18 h. Les calculatrices sont interdites

EPREUVE SPECIFIQUE - FILIERE PC MATHEMATIQUES. Mardi 3 mai : 14 h - 18 h. Les calculatrices sont interdites SESSION 216 PCMA2 EPREUVE SPECIFIQUE - FILIERE PC MATHEMATIQUES Mardi 3 mai : 14 h - 18 h N.B. : le cadidat attachera la plus grade importace à la clarté, à la précisio et à la cocisio de la rédactio.

Plus en détail

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques Variables discrètes fiies - Exercices pratiques Exercice - Loi d u dé truqué - L2/ECS -. X pred ses valeurs das {,..., 6}. Par hypothèse, il existe u réel a tel que P (X k) ka. Maiteat, puisque P X est

Plus en détail

Sciences Po Option Mathématiques

Sciences Po Option Mathématiques Scieces Po Optio Mathématiques Epreue 3 Vrai-Fau Questio FAUX La suite ( u ) état géométrique de raiso différete de, o a classiquemet, pour tout etier aturel : où q est la raiso de la suite ( u ) Ici,

Plus en détail

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante : " tirer p éléments de E ".

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante :  tirer p éléments de E . Cours de termiales Probabilités sur u esemble fii Mr ABIDI F I- Rappel I- Types de tirages : Soit u esemble fii E coteat élémets O cosidère l'épreuve suivate : " tirer p élémets de E " Type de tirages

Plus en détail

SÉRIES DE FONCTIONS SUITES ET PC*2. 13 octobre octobre octobre 2004

SÉRIES DE FONCTIONS SUITES ET PC*2. 13 octobre octobre octobre 2004 3 octobre 2004 Exemple 2. O se doe a I et q C(I, K). L équatio différetielle liéaire : y (x) q(x) y(x) = 0 avec les coditios y(a) = α, y (a) = β SUITES ET SÉRIES DE FONCTIONS PC*2 3 octobre 2004 Admet

Plus en détail

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels.

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels. Uiversité de Provece 011 01 Mathématiques Géérales I Plache 6 Nombres réels Suites réelles Nombres réels Exercice 1 Mettre sous forme irréductible p/q les ratioels suivats (les chiffres souligés se répètet

Plus en détail

CHAPITRE 2 SÉRIES ENTIÈRES

CHAPITRE 2 SÉRIES ENTIÈRES CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I CHAMBRE DE COMMERCE ET D INDUSTRIE DE PARIS DIRECTION DE L ENSEIGNEMENT Directio des Admissios et cocours ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON CONCOURS

Plus en détail

FONCTION EXPONENTIELLE

FONCTION EXPONENTIELLE FONCTION EXPONENTIELLE I. RAPPELS : METHODE D EULER Si f est ue foctio dérivable e x 0, o sait que f(x 0 + h) a pour approximatio affie f(x 0 ) + f '(x 0 )h O peut doc sur de "petits" itervalles, approcher

Plus en détail

Correction Bac ES France juin 2010

Correction Bac ES France juin 2010 Correctio Bac ES Frace jui 010 Exercice 1 (4 poits) (Commu à tous les cadidats) Pour ue meilleure compréhesio, les réposes serot justifiées das ce corrigé. Questio 1 Le ombre 3 est solutio de l équatio

Plus en détail

Promenades aléatoires : vers les chaînes de Markov

Promenades aléatoires : vers les chaînes de Markov AME Dossier : Matrices et suites 545 romeades aléatoires : vers les chaîes de Markov ierre Griho (*) Cet article propose ue mise e perspective de la otio de promeade ou de marche aléatoire itroduite das

Plus en détail

Apprentissage: cours 3a Méthodes par moyennage local

Apprentissage: cours 3a Méthodes par moyennage local Appretissage: cours 3a Méthodes par moyeage local Guillaume Oboziski 1 er mars 2012 Réferece : chap. 6 of [Hastie et al., 2009] ad chap. 6 of [Devroye et al., 1996]. Algorithmes par moyeage local O cosidère

Plus en détail

Séries entières. Chap. 09 : cours complet.

Séries entières. Chap. 09 : cours complet. Séries etières Chap 9 : cours complet Rayo de covergece et somme d ue série etière Défiitio : série etière réelle ou complee Théorème : lemme d Abel Théorème : itervalle des valeurs positives où ue série

Plus en détail

Devoir de statistiques: CORRIGE

Devoir de statistiques: CORRIGE CPP - la prépa des INP ( ème aée). Bordeaux, 6/04/04. Devoir de statistiques: CORRIGE durée h Doées: O rappelle que si Z suit ue loi N (0, ), o a P(Z.96) 0, 975 et P(Z.65) 0, 95. Exercice. θ et O cosidère

Plus en détail

TD10. Loi des grands nombres, théorème central limite.

TD10. Loi des grands nombres, théorème central limite. Uiversité Pierre & Marie Curie Licece de Mathématiques L3 UE LM345 Probabilités élémetaires Aée 2014 15 TD10. Loi des grads ombres, théorème cetral limite. 1. Soit (U ) 1 ue suite de variables aléatoires

Plus en détail

Convergence en loi. Théorème de la limite centrale.

Convergence en loi. Théorème de la limite centrale. Uiversité Pierre et Marie Curie 2013-2014 Probabilités et statistiques - LM345 Feuille 10 (semaie du 2 au 6 décembre 2013 Covergece e loi. Théorème de la limite cetrale. Covergece e loi 1. Soiet (X N ue

Plus en détail

Estimations et intervalles de confiance

Estimations et intervalles de confiance Estimatios et itervalles de cofiace Estimatios et itervalles de cofiace Résumé Cette vigette itroduit la otio d estimateur et ses propriétés : covergece, biais, erreur quadratique, avat d aborder l estimatio

Plus en détail

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1 Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a

Plus en détail

ADMISSION AU COLLEGE UNIVERSITAIRE

ADMISSION AU COLLEGE UNIVERSITAIRE ADMISSION AU COLLEGE UNIVERSITAIRE Samedi mars 204 MATHEMATIQUES durée de l'épreuve : 3h - coefficiet 2 Le sujet est uméroté de à 5. L'aexe est à redre avec la copie. L'exercice Vrai-Faux est oté sur 8,

Plus en détail

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités coditioelles - Suites géométriques - foctios epoetielles Calculatrice autorisée Termiale ES123 Eercice 1 : 5 poits Partie A : Ue agece de locatio

Plus en détail

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6 Corrigés TD Chapitre : Variables aléatoires sur u uivers fii Exercice : Soit X la VAR défiie par le tableau suivat : x i - - 0 p 6 4 6 4 6 i O ote Y = X ) Détermier la loi cooite de X et Y ) Détermier

Plus en détail

CONVERGENCE ET APPROXIMATION

CONVERGENCE ET APPROXIMATION 11-2- 2010 J.F.C. Cov. p. 1 CONVERGENCE ET APPROXIMATION I CONVERGENCE EN PROBABILITÉ 1. Défiitio 2. Ue coditio suffisate de covergece e probabilité 3. La loi faible des grads ombres 4. Ue coséquece de

Plus en détail

Université Pierre et Marie Curie Licence de Mathématiques (3ème année) Année 2004/2005. Probabilités Pierre Priouret

Université Pierre et Marie Curie Licence de Mathématiques (3ème année) Année 2004/2005. Probabilités Pierre Priouret Uiversité Pierre et Marie Curie Licece de Mathématiques (3ème aée) Aée 2004/2005 Probabilités Pierre Priouret Mode d emploi Ce polycopié est destié aux étudiats de la Licece (3ème aée) de Mathématiques

Plus en détail

Université Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Année Examen du 13 mai 2015

Université Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Année Examen du 13 mai 2015 Uiversité Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Aée 2014-15 Exame du 13 mai 2015 Le sujet comporte 2 pages. L épreuve dure 2 heures. Les documets, calculatrices et téléphoes

Plus en détail

Agrégation externe de mathématiques, session 2008 Épreuve de modélisation, option A : Probabilités et Statistiques

Agrégation externe de mathématiques, session 2008 Épreuve de modélisation, option A : Probabilités et Statistiques Agrégatio extere de mathématiques, sessio 2008 Épreuve de modélisatio, optio (public 2008) Mots clefs : Loi des grads ombres, espace des polyômes, estimatio o-paramétrique Il est rappelé que le jury exige

Plus en détail

Estimation par vraisemblance

Estimation par vraisemblance Chapitre 4 Estimatio par vraisemblace Le procédé de costructio des estimateurs par isertio a été itroduit das le chapitre 2. L objectif de ce chapitre est d étudier ue autre méthode de costructio, basée

Plus en détail

BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 2015

BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 2015 CONCOURS COMMUNS POLYTECHNIQUES FILIÈRE MP BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 5 avec corrigés V. Bellecave, J.-L. Artigue, P. Berger, J.-P. Bourgade, S. Calmet, A. Calvez, D. Cleet, J. Esteba,

Plus en détail

La Méthode de Monte Carlo

La Méthode de Monte Carlo La Méthode de Mote Carlo Etiee Pardoux UMR 6632 Laboratoire d Aalyse, Topologie, Probabilités et EA 3781 Evolutio Biologique Uiversité de Provece Etiee Pardoux (LATP) Marseille, 13/09/2006 1 / 33 Cotets

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1. Exercice 7 [ 02253 ] [Correction] Soient (u n ) et (v n ) deux suites telles que

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1. Exercice 7 [ 02253 ] [Correction] Soient (u n ) et (v n ) deux suites telles que [http://mp.cpgedupuydelome.fr] édité le 6 octobre 05 Eocés Suites umériques Covergece de suites Exercice [ 047 ] [Correctio] Soiet u ) et v ) deux suites réelles covergeat vers l et l avec l < l. Motrer

Plus en détail

Baccalauréat S Nouvelle-Calédonie 7 mars 2014

Baccalauréat S Nouvelle-Calédonie 7 mars 2014 Durée : 4 heures Baccalauréat S Nouvelle-Calédoie 7 mars 2014 A. P. M. E. P. EXERCICE 1 Commu à tous les cadidats 4 poits Cet exercice est u QCM questioaire à choix multiple. Pour chaque questio, ue seule

Plus en détail

SESSION DE 2004 CA/PLP

SESSION DE 2004 CA/PLP SESSION DE 4 CA/PLP CONCOURS EXTERNE Sectio : MATHÉMATIQUES SCIENCES PHYSIQUES COMPOSITION DE MATHÉMATIQUES Durée : 4 heures L usage des calculatrices de poche est autorisø (coformømet au directives de

Plus en détail

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS CHAPITRE 4 MATRICES ET SUITES 1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS 11/ Présetatio et modélisatio O cosidère u système ui peut se trouver soit das u état A, soit das u état, et

Plus en détail

Cours de Mathématiques. Intégrale de Lebesgue et Probabilités H. DOSS

Cours de Mathématiques. Intégrale de Lebesgue et Probabilités H. DOSS Uiversité Paris Dauphie Départemet MIDO Cours de Mathématiques Itégrale de Lebesgue et Probabilités H. DOSS Table des matières 1 Espaces de probabilité et Itégratio 1 1.1 Présetatio..............................

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **

Plus en détail

Chapitre 4 Lois discrètes

Chapitre 4 Lois discrètes Chapitre 4 Lois discrètes 1. Loi de Beroulli Ue variable aléatoire X est ue variable de Beroulli si elle e pred que les valeurs 0 et 1 avec des probabilités o ulles. P(X = 1) = p, P(X = 0) = 1 p = q, avec

Plus en détail

STATISTIQUE : ESTIMATION

STATISTIQUE : ESTIMATION STATISTIQUE : ESTIMATION Préparatio à l Agrégatio Bordeaux Aée 202-203 Jea-Jacques Ruch Table des Matières Chapitre I. Estimatio poctuelle 5. Défiitios 5 2. Critères de comparaiso d estimateurs 6 3. Exemples

Plus en détail

Suites et séries de fonctions

Suites et séries de fonctions [http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de

Plus en détail

SÉRIES STATISTIQUES À DEUX VARIABLES

SÉRIES STATISTIQUES À DEUX VARIABLES 1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1

Plus en détail

Séries réelles ou complexes

Séries réelles ou complexes 6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I CHAMBRE DE COMMERCE ET D INDUSTRIE DE PARIS DIRECTION DE L ENSEIGNEMENT Directio des Admissios et cocours ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON CONCOURS

Plus en détail

Filière Sciences de Matières Physiques (SMP4) Module Mathématiques : Analyse (S4) Cours d Analyse

Filière Sciences de Matières Physiques (SMP4) Module Mathématiques : Analyse (S4) Cours d Analyse UNIVERSITÉ MOHAMMED V - AGDAL Faculté des Scieces Départemet de Mathématiques Filière Scieces de Matières Physiques (SMP4) Module Mathématiques : Aalyse (S4) Cours d Aalyse Séries umériques Suites et Série

Plus en détail

Les Nombres Parfaits.

Les Nombres Parfaits. Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie

Plus en détail

Corrigé de Mathématique éco HEC

Corrigé de Mathématique éco HEC Corrigé de Mathématique éco HEC EXERCICE Hypothèses. M 3 R est l espace vectoriel des matrices carrées d ordre 3 à coefficiets réels. A M 3 R : s A 3 A,j, s A 3 A,j, s 3 A 3 somme des coefficiets des liges

Plus en détail

LES PROBABILITÉS POUR LES OPTIONS B, C ET D

LES PROBABILITÉS POUR LES OPTIONS B, C ET D LES PROBABILITÉS POUR LES OPTIONS B, C ET D PRÉPARATION À L AGRÉGATION EXTERNE DE MATHÉMATIQUES DE L UNIVERSITÉ RENNES 1 1 ANNÉE 2009/2010 1. ESPACE PROBABILISÉ - VARIABLE ALÉATOIRE 1.1 ESPACE PROBABILISÉ

Plus en détail

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures)

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures) Exercice 1 (5 poits) Bac Blac Termiale L - Février 015 Épreuve de Spécialité Mathématiques (durée 3 heures) Questio 1 : La populatio d'ue ville baisse de 1 % tous les as pedat 10 as. Elle est doc multipliée

Plus en détail

La classification de données quantitatives avec SPAD

La classification de données quantitatives avec SPAD La classificatio de doées quatitatives avec SPAD SPAD effectue toujours ue ACP de la matrice des doées quatitatives X " p avat de faire la classificatio des idividus. Les méthodes de classificatio s appliquet

Plus en détail

STATISTIQUE : TESTS D HYPOTHESES

STATISTIQUE : TESTS D HYPOTHESES STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie

Plus en détail

MA401 : Probabilités TD3

MA401 : Probabilités TD3 MA : Probabilités Exercice Ue compagie aériee étudie la réservatio sur l u de ses vols. Ue place doée est libre le jour d ouverture de la réservatio et so état évolue chaque jour jusqu à la fermeture de

Plus en détail

x k, 2 : x k 1 n x x 1

x k, 2 : x k 1 n x x 1 SMIA/S3 ANALYSE 3 AALAMI IDRISSI et EZEROUALI Chapitre 5 FONCTIONS DE IR DANS IR p I) NOTIONS DE TOPOLOGIE SUR IR 1) Normes sur IR : a) Défiitio: O appelle orme sur toute applicatio x x de das telle que

Plus en détail

09 G 18bis AR Durée: 4 heures Séries : S1-S3 - Coeff. 8.. Epreuve du 1 er groupe

09 G 18bis AR Durée: 4 heures Séries : S1-S3 - Coeff. 8.. Epreuve du 1 er groupe UNIVERSITE CHEIKH ANTA DIOP DE DAKAR 1/ 9 OFFICE DU BACCALAUREAT BP 5005-DAKAR-Fa-Séégal Serveur Vocal: 68 05 59 Téléfax (1) 864 67 39 - Tél : 84 95 9-84 65 81 M A T H E M A T I Q U E S 09 G 18bis AR Durée:

Plus en détail

Convergence de suites réelles

Convergence de suites réelles DOMAINE : No olympique AUTEUR : Nicolas SÉGARRA NIVEAU : Itermédiaire STAGE : Motpellier 2014 CONTENU : Cours et exercices Covergece de suites réelles I) Rappels et otios de base. Défiitio 1. Ue suite

Plus en détail

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques Variables discrètes fiies - Exercices pratiques Exercice 1 - Loi d u dé truqué - Deuxième aée - 1. X pred ses valeurs das {1,..., 6}. Par hypothèse, il existe u réel a tel que P (X k) ka. Maiteat, puisque

Plus en détail

Quelques notions élementaires de probabilités et statistiques

Quelques notions élementaires de probabilités et statistiques Chapitre 6 Quelques otios élemetaires de probabilités et statistiques 6.1 Probabilités U uivers Ω est u esemble modélisat les réalisatios possibles d ue expériece. U esemble A P(Ω) modélise la otio d évéemet

Plus en détail

Texte Filtre de Kalman-Bucy

Texte Filtre de Kalman-Bucy Page 1. Texte Filtre de Kalma-Bucy 1 e modèle U avio se déplace etre Paris et odres. Il suit ue trajectoire théorique appelée trajectoire omiale dot les coordoées sot coues de tous. a trajectoire de l

Plus en détail

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1)

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1) Corrigé ESSEC III 008 par Pierre Veuillez Das certaies situatios paris sportifs, ivestissemets fiaciers..., o est ameé à miser de l arget de faço répétée sur des paris à espérace favorable. O se propose

Plus en détail

École de technologie supérieure

École de technologie supérieure École de techologie supérieure Mat 165-04 Algèbre liéaire et aalyse vectorielle A-015 Michel Beaudi michel.beaudi@etsmtl.ca Liste d exercices à faire e T.P./Caledrier des évaluatios Itroductio au cours

Plus en détail

Comportement d'une suite

Comportement d'une suite Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer

Plus en détail

SUITES et SERIES DE FONCTIONS

SUITES et SERIES DE FONCTIONS UE7 - MA5 : Aalyse SUITES et SERIES DE FONCTIONS I Suites de foctios à valeurs das È ou  Etat doé u esemble E, ue suite de foctios umériques défiies sur E est la doée, pour tout etier, d'ue applicatio

Plus en détail

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson 4 L E Ç O N Loi biomiale Niveau : Première S + SUP (Covergece) Prérequis : Variable aléatoire, espérace, variace, théorème limite cetral, loi de Poisso 1 Loi de Beroulli Défiitio 41 Loi de Beroulli Soit

Plus en détail

Septembre 2011 CPI 317. Exercices. Agnès Bachelot

Septembre 2011 CPI 317. Exercices. Agnès Bachelot Septembre 2 CPI 37 Exercices Agès Bachelot Table des matières - Séries Numériques.......................................... 3 - Séries à termes positifs.................................... 3-2 Séries quelcoques......................................

Plus en détail

Analyse 5 SUITES REELLES

Analyse 5 SUITES REELLES Aalyse chap 5 /6. GENERALITES SR LES SITES. Défiitios Défiitio : e suite est ue foctio, défiie sur ue partie D de. O ote () =, o lit «idice». O dit que est le terme gééral de la suite, ou terme de rag.

Plus en détail

MAT 452 Analyse Fonctionnelle ( ) Correction exercice 5 / Feuille d exercices n 3

MAT 452 Analyse Fonctionnelle ( ) Correction exercice 5 / Feuille d exercices n 3 MAT 45 Aalyse Foctioelle (6-7) Correctio exercice 5 / Feuille d exercices 3 Soit H u espace de Hilbert complexe séparable et D u sous-espace quelcoque de H. O se doe u opérateur liéaire A : D H. O appelle

Plus en détail

Estimation paramétrique

Estimation paramétrique Retour au pla du cours Soit Ω, A, P u espace probabilisé et X ue v.a. de Ω, A das E, E. La doée d u modèle statistique c est la doée d ue famille de probabilités sur E, E, {P θ, θ Θ}. Le modèle état doé,

Plus en détail

Introduction aux Méthodes de Monte-Carlo

Introduction aux Méthodes de Monte-Carlo Itroductio aux Méthodes de Mote-Carlo LAURE ELIE BERNARD LAPEYRE Septembre 2001 Table des matières 1 Itroductio aux méthodes de mote-carlo 5 1.1 Simulatio de lois uiformes........................... 7

Plus en détail

Chapitre 2 Suites bornées, théorèmes d Ascoli et de Weierstrass

Chapitre 2 Suites bornées, théorèmes d Ascoli et de Weierstrass Uiversité de Bourgoge Départemet de Mathématiques Licece de Mathématiques Résumé du cours Complémets d Aalyse Chapitre 2 Suites borées, théorèmes d Ascoli et de Weierstrass. Suites simplemet borées de

Plus en détail

Suites numériques 1 / 12 A Chevalley

Suites numériques 1 / 12 A Chevalley MT8 A 03 Suites umériques Aleth Chevalley. Rappels.. Défiitio O appelle suite umérique réelle, toute applicatio f : ϒ qui à tout etier aturel, fait correspodre le ombre réel f() et o désige la suite par

Plus en détail

1 Intégrale de Riemann

1 Intégrale de Riemann Uiversité Paris 13, Istitut Galilée Aée uiversitaire 2015-2016 Préparatio à l agrégatio 0. Rappels de théorie de l itégratio 1 Itégrale de Riema L itégrale itroduite e L1 ou e classe prépa est l itégrale

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable. k n) X k (1 X) n k.

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable. k n) X k (1 X) n k. Exo7 Suites et séries de foctios Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable

Plus en détail

14 Chapitre 14. Théorème du point fixe

14 Chapitre 14. Théorème du point fixe Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de

Plus en détail

Équations différentielles - Cours no 6 Approximation numérique

Équations différentielles - Cours no 6 Approximation numérique Équatios différetielles - Cours o 6 Approximatio umérique 1 Itroductio De très ombreux problèmes scietifiques sot mis e équatio à l aide d u système d équatios différetielles ẋt) = ft, xt)) voir par exemple

Plus en détail

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2001

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2001 Exercice 1 : ( 12 poits ) Les parties A et B peuvet être traitées idépedammet l ue de l autre. O se propose d étudier l évolutio e foctio du temps des températures d u bai et d u solide plogé das ce bai.

Plus en détail

Partie A : z x. z =( z ) = 4 = - 4 donc z est aussi solution de (E) Partie C :

Partie A : z x. z =( z ) = 4 = - 4 donc z est aussi solution de (E) Partie C : Corrigé baccalauréat S Polyésie 200 (raiateabac.blogspot.com) EXERCICE (5 poits) Pré-requis : z a + bi et _ z a bi Partie A : a ) E posat z a + bi et z a + b i o obtiet : z x z (a + bi) ( a + b i) aa bb

Plus en détail

Suites et séries numériques

Suites et séries numériques Maths MP Cours Table des matières Suites et séries umériques Quelques prélimiaires. Les yeux fermés........................................... De quoi parle-t-o?........................................3

Plus en détail

Éléments de cours de Probabilités

Éléments de cours de Probabilités Élémets de cours de Probabilités Licece de mathématiques Uiversité de Versailles Sait-Queti Jea-Fraçois Marckert Table des matières I. Itroductio 1 1. U peu d histoire......................................

Plus en détail

B) CHAÎNES DE SOLIDES

B) CHAÎNES DE SOLIDES Chaîes de solides B) CHAÎNES DE SOLIDES Objectifs Cette théorie a pour but d'aalyser les comportemets statique et ciématique d'u mécaisme à partir d'u modèle défii par le schéma ciématique du mécaisme.

Plus en détail

Cours de théorie des probabilités avec exercices corrigés et devoirs

Cours de théorie des probabilités avec exercices corrigés et devoirs Cours de théorie des probabilités avec exercices corrigés et devoirs Licece de mathématiques, 3 ième aée Bruo Saussereau Aée uiversitaire 203-204 Bruo Saussereau, Laboratoire de Mathématiques de, UF Scieces

Plus en détail

AVANT PROPOS. Cet ouvrage pourra intéresser également les enseignants de ce niveau.

AVANT PROPOS. Cet ouvrage pourra intéresser également les enseignants de ce niveau. AVANT PROPOS Cet ouvrage propose aux élèves de classes termiales (fraçais) S (spécialité math) des rappels et des complémets de cours assez complet, aisi que des problèmes et des exercices corrigés. Les

Plus en détail

Épreuve écrite d analyse et probabilités

Épreuve écrite d analyse et probabilités Épreuve écrite d aalyse et probabilités Notatios et défiitios Le problème traite de certaies propriétés cocerat les racies de polyômes dot les coefficiets sot aléatoires. Das tout le problème, l espace

Plus en détail

Exercices - Lois discrètes usuelles : corrigé

Exercices - Lois discrètes usuelles : corrigé www.almohadiss.com Exercice - Avio - L2/Prépa Hec - O ote X la variable aléatoire du ombre de moteurs de A qui tombet e pae, et Y la variable aléatoire du ombre de moteurs de B qui tombet e pae. X suit

Plus en détail

MATHEMATIQUES Terminale Scientifique

MATHEMATIQUES Terminale Scientifique MATHEMATIQUES Termiale Scietifique Fiches PROGRAMME 22 (v24) Sylvie LAMY Agrégée de Mathématiques Dilômée de l École Polytechique Cours Pi e-mail : lescoursi@cours-icom site : htt://wwwcours-icom siège

Plus en détail