TP Bonus : Simulation de variables aléatoires
|
|
- Virginie Lebel
- il y a 8 ans
- Total affichages :
Transcription
1 IMIS : Master 1 Université Paris Est Marne la Vallée TP Bonus : Siulation de variables aléatoires 1. Siulation de lois Dans les applications, on a souvent besoin de générer de façon artificielle (à l aide d un ordinateur) une suite X 1,, X n de nobres aléatoires i.i.d. suivant la loi donnée F. Les éthodes de siulation perettent seuleent d obtenir une valeur pseudo-aléatoire X i, au lieu d une valeur aléatoire. Cela signifie que les nobres X 1,, X n siulés sont déterinistes (ils sont obtenus par un algorithe déteriniste) ais les propriétés de la suite X 1,, X n sont proches d une suite aléatoire iid de loi donnée. Par exeple pour les X i pseudo-aléatoires on a la propriété de Glivenko-Cantelli : sup F n (x) F (x) 0 quand n, x ais il s agit ici de la convergence au sens déteriniste Siulation des variables uniforéent distribuées. La f.d.r. F U ( ) de la loi unifore U[0, 1] s écrit sous la fore F U (x) = x1 [0,1] (x) + 1 ]1,+ ] (x). Le prograe-générateur d un échantillon pseudo-aléatoire U 1,, U n de cette loi est disponible dans de nobreux logiciels. Le principe de son fonctionneent est le suivant : on se donne un réel a > 1 et un entier (a et seront choisis très grands). On coence par une valeur Z 0 fixe. Pour tout i {1,, n}, on définit z i = le reste de la division de az i 1 par = az i 1 [ az i 1 ]. Pour tout i {1,, n}, nous avons toujours 0 z i <. On définit U i = z i = az i 1 [ az i 1 ]. Ainsi, pour tout i {1,, n}, 0 U i < 1. La suite U 1,, U n est considérée coe un échantillon de la loi unifore U[0, 1]. Bien que cette suite n est pas aléatoire, on peut ontrer que sa f.d.r. epirique Fn U (x) = 1 n 1 Ui x n est telle que sup x F U n (x) F (x) = sup x [0,1] F U n (x) x ɛ(n, ) avec ɛ(n, ) qui converge très vite vers 0 quand et n. i=1 1
2 2 1. Coe la plupart des logiciels, SAS dispose d un générateur de nobres pseudo-aléatoires. Afin de siuler un échantillon de n = 50 v.a. iid de loi unifore U[0, 1], exécuter le prograe suivant : DATA TableCree ; DO i=1 TO 50 ; y=ranuni(10) ; KEEP y ; PROC PRINT ; Le paraètre (10) est la graine ou seence du générateur. Réexécuter le prograe avec la êe valeur, une autre valeur, plusieurs fois avec la valeur 1. Une valeur négative coe 1 provoque l utilisation de l horloge interne coe seence aléatoire. Cette dernière seence seble généré des nobres plus aléatoires ais avec un inconvénient : il est ipossible de regénérer le êe échantillon à un autre instant et donc de coparer des éthodes de façon rigoureuse Siulation des variables de loi générale. Etant donné un échantillon iid U 1,, U n d une loi unifore, on peut obtenir un échantillon d une loi générale F ( ) par la éthode d inversion. Elle est opérationnelle si F 1 est disponible sous fore explicite. Cette éthode est basée sur la proposition suivante : Proposition 1.1. Soit F une f.d.r. continue et stricteent croissante et soit U une v.a. uniforéent distribuée sur [0, 1]. Alors la v.a. suit la loi F. X = F 1 (U) Il en découle l algorithe de siulation suivant : si F est une f.d.r. continue et stricteent croissante, on pose X i = F 1 (U i ), où les U i sont des nobres pseudo-aléatoires uniforéent distribués sur [0, 1] générés coe expliqué précédeent. On obtient ainsi un échantillon siulé (X 1,, X n ) de loi F. Si F n est pas continue ou stricteent croissante, il faut odifier la définition de l inverse de F et considérer l inverse généralisée définie par : pour tout u [0, 1], F 1 (u) = inf{x R t.q. F (x) u},
3 avec la convention inf = +. On a alors que y F 1 (u) F (y) u. Cela iplique que si X a pour f.d.r. F et si U U[0, 1], alors F 1 (U) a la êe loi que X. Exeple 1. Siulation d un échantillon de loi exponentielle E(1). On a f(x) = e x 1 (x>0) et F (x) = (1 e x )1 (x>0). Ainsi F 1 (y) = ln(1 y) pour y (0, 1). Posons alors X i = ln(1 U i ) où les U i sont des nobres pseudo-aléatoires uniforéent distribués sur [0, 1]. Exeple 2. Siulation d un échantillon de loi de Bernoulli. Soit On a alors pour y [0, 1], P (X = 1) = p et P (X = 0) = 1 p, 0 < p < 1. F 1 (y) = inf{x R t.q. F (x) y} = { 0 si y [0, 1 p] 1 si y ]1 p, 1]. Si U i est une v.a. de loi unifore, alors X i = F 1 (U i ) suit la loi de Bernoulli. On pose alors { 0 si U i [0, 1 p] X i = 1 si U i ]1 p, 1]. 2. A l aide de la éthode d inversion, siuler un échantillon de taille n = 100 de v.a. iid de loi exponentielle de paraètre 1. Refaire la êe déarche en utilisant l instruction ranexp(10). Les instructions rannor(10) et rancau(10) perettent respectiveent de siuler des lois norales et des lois de Cauchy. A l aide de l instruction rannor(10), siuler un n = 50 échantillon de loi N (1, 4) Siulation des variables de loi gaussienne. On présente ci-dessous deux éthodes connues pour générer des variables (pseudo) aléatoires suivant une loi gaussienne Via le théorèe central liite. Pour U U[0, 1], on a E(U) = 1/2 et Var(U) = 1/12. Vu le TCL, si les U i sont iid et de loi U[0, 1], on a que 3 U U N N/2 N/12 N N (0, 1) en loi. La valeur N = 12 est déjà suffisante pour obtenir une bonne approxiation de la loi norale. On en déduit la éthode de siulation suivante : on génère U 11,, U nn, une suite de variables pseudo-aléatoires de loi U[0, 1] et on pose ensuite X i = U i1 + + U in N/2 N/12 N N (0, 1), i = 1,, n. On obtient ainsi un échantillon siulé (X 1,, X n ) de la loi approxiativeent N (0, 1).
4 4 3. Exécuter le prograe suivant DATA TableCree ; ARRAY si{12} y1-y12 ; DO i=1 TO 1000 ; DO j=1 TO 12 ; PROC PRINT ; si{j}=ranuni(-1) ; S=su(of y1-y12) ; KEEP S ; Lancer SAS/INSIGHT : solutions/analyse/analyse interactive des données. Charger la table créée ci-dessus : work/tablecree/ok Pour obtenir de belles sorties graphiques et des estiations de la densité : Analyze/Distribution /S/Y/OK Curves/ kernel density/ok Via la éthode de Box et Müller. Nous renvoyons au TP5 pour un descriptif de cette éthode. 2. Siulations d intervalles de confiance On considère la loi norale de oyenne 5 et d écart type 2 et on prendra pour seuil α = 0, 05. En supposant σ = 2 connu, nous tirons un échantillon de taille 25 par exeple. Celui-ci nous peret d avoir une estiation par intervalle de µ (que l on sait valoir 5). Cet intervalle peut contenir ou non le paraètre à estier : tout dépend de l échantillon obtenu. Nous allons considérer 100 échantillons et exainer les intervalles de confiance. 4. Exécuter les prograes suivants :
5 DATA siul ; n=25 ; nechantillon=100 ; u=5 ; siga=2 ; DO j=1 TO nechantillon ; DO i=1 TO n ; x=siga*rannor(0)+u ; DROP i nechantillon ; 5 PROC MEANS Noprint ; VAR x ; OUTPUT Out=oyennes ean= ; BY j ; DATA intervalles ; SET oyennes ; siga=2 ;n=25 ; u=5 ; a=-siga*1.96/sqrt(n) ; b=+siga*1.96/sqrt(n) ; SYMBOL1 i=join c=red width=1 ; SYMBOL2 i=join c=blue width=1 ; SYMBOL3 i=join c=green width=1 ; TITLE Bornes de confiance de u=5 au niveau alpha=0.05 ; PROC GPLOT Data=intervalles ; PLOT a*j=1 u*j=2 b*j=3 / Overlay ; TITLE ; QUIT ;
Arrondissage des résultats de mesure. Nombre de chiffres significatifs
BUREAU NATIONAL DE MÉTROLOGIE COMMISSARIAT À L'ÉNERGIE ATOMIQUE LABORATOIRE NATIONAL HENRI BECQUEREL Note technique LNHB/04-13 Arrondissage des résultats de esure Nobre de chiffres significatifs M.M. Bé,
Plus en détailMécanique : Cinématique du point. Chapitre 1 : Position. Vitesse. Accélération
2 e B et C 1 Position. Vitesse. Accélération 1 Mécanique : Cinéatique du point La écanique est le doaine de tout ce qui produit ou transet un ouveent, une force, une déforation : achines, oteurs, véhicules,
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailVoyez la réponse à cette question dans ce chapitre. www.alternativesjournal.ca/people-and-profiles/web-exclusive-ela-alumni-make-splash
Une personne de 60 kg est à gauche d un canoë de 5 de long et ayant une asse de 90 kg. Il se déplace ensuite pour aller à droite du canoë. Dans les deux cas, il est à 60 c de l extréité du canoë. De cobien
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailUtiliser Internet Explorer
5 Utiliser Internet Explorer 5 Utiliser Internet Explorer Internet Explorer est le plus utilisé et le plus répandu des navigateurs web. En effet, Internet Explorer, couraent appelé IE, est le navigateur
Plus en détail2.1 Comment fonctionne un site?
Coent fonctionne un site? Dans ce chapitre, nous allons étudier la liste des logiciels nécessaires à la création d un site ainsi que les principes de base indispensables à son bon fonctionneent. 2.1 Coent
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailL étalonnage par traceur Compton, une nouvelle méthode de mesure primaire d activité en scintillation liquide
PH. CASSEE L étalonnage par traceur Copton, une nouvelle éthode de esure priaire d activité en scintillation liquide he Copton source efficiency tracing ethod, a new standardization ethod in liquid scintillation
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailOBJECTIFS. I. A quoi sert un oscilloscope?
OBJECTIFS Oscilloscope et générateur basse fréquence (G.B.F.) Siuler le fonctionneent et les réglages d'un oscilloscope Utiliser l oscilloscope pour esurer des tensions continues et alternatives Utiliser
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailAutour des nombres et des polynômes de Bernoulli
Autour des nobres et des polynôes de Bernoulli Gaëtan Bisson d après un cours de Don Zagier Résué En athéatiques, les nobres de Bernoulli ont d abord été étudiés en cherchant à calculer les soes du type
Plus en détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
Plus en détailÉquations générales des milieux continus
Équations générales des ilieux continus Jean Garrigues 1 ai 212 ii Avant-propos L objectif de ce cours est d établir les équations générales régissant tous les ilieux continus, qu ils soient solides ou
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailTHESE. Applications des algorithmes d'auto-organisation à la classification et à la prévision
UNIVERSITE PARIS I PANTHEON SORBONNE U.F.R. DE MATHEMATIQUES et INFORMATIQUE Année 999 THESE Pour obtenir le rade de DOCTEUR DE L'UNIVERSITE PARIS I Discipline : Mathéatiques Présentée et soutenue publiqueent
Plus en détailSimulation numérique de la réponse d un pieu en cours de battage
Siulation nuérique e la réponse un pieu en cours e battage Philippe LEPERT Ingenieur Division Géotechnique et Mécanique es Chaussées Laboratoire Central es Ponts et Chaussées Daniel MEIGNEN Technicien
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailÉTUDE BDC LES CINQ FACTEURS CLÉS ET LES CINQ PIÈGES À ÉVITER POUR RÉUSSIR EN AFFAIRES
ÉTUDE BDC LES CINQ FACTEURS CLÉS ET LES CINQ PIÈGES À ÉVITER POUR RÉUSSIR EN AFFAIRES Seaine de la PME BDC 2014 Résué --------------------------------------------------------------------------------------
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailEstimations d erreur a priori de la méthode de Lagrange Galerkin pour les équations de type Kazhikhov Smagulov
Estiations d erreur a priori de la étode de Lagrange Galerkin pour les équations de type Kazikov Sagulov Jocelyn Étienne b,a Pierre Saraito a a LMC-IMAG, BP 53, 3841 Grenoble cedex b Adresse actuelle:
Plus en détailAbstract. Key-words: The flowshop problem, Heuristics, Job scheduling, Total flowtime.
Abstract Since the flowshop scheduling proble has found to be an NP-coplete proble, the developent of heuristic algoriths that give better solutions becoe necessary. In this paper we discuss how to resolve
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailDOSSIER SUR LE SECTEUR DES NOMS DE DOMAINE VOLUME 11 - NUMÉRO 4 - JANVIER 2015
DOSSIER SUR LE SECTEUR DES NOMS DE DOMAINE VOLUME 11 - NUMÉRO - JANVIER 2015 RAPPORT DE VERISIGN SUR LES NOMS DE DOMAINE LEADER MONDIAL DU SECTEUR DES NOMS DE DOMAINE ET DE LA SÉCURITÉ D'INTERNET, VERISIGN
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailStatistique inférentielle TD 1 : Estimation
POLYTECH LILLE Statistique inférentielle TD : Estimation Exercice : Maîtrise Statistique des Procédés Une entreprise de construction mécanique fabrique de pièces demoteurdevoiturepourungrandconstructeur
Plus en détailIntroduction au logiciel SAS François-Xavier LEJEUNE
INSTITUT DE STATISTIQUE de l Université Pierre et Marie Curie Cycle Supérieur 1 ère année 2011-12 Introduction au logiciel SAS François-Xavier LEJEUNE Plan du cours Séance n 1 Débuts en SAS : Généralités
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailL indice des prix à la consommation
L indice des prix à la consoation Base 2004 Direction générale Statistique et Inforation éconoique 2007 L indice des prix à la consoation Base 2004 = 100 La Direction générale Statistique et Inforation
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailVIII- Circuits séquentiels. Mémoires
1 VIII- Circuits séquentiels. Mémoires Maintenant le temps va intervenir. Nous avions déjà indiqué que la traversée d une porte ne se faisait pas instantanément et qu il fallait en tenir compte, notamment
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailL export de SAS vers Excel expliqué à ma fille
L export de SAS vers Excel expliqué à ma fille SAS est un logiciel merveilleux, mais tous n y ont pas accès. Pour contenter la soif de données de vos collègues qui n auraient pas d autre outil à disposition,
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailLa mémoire C HAPITRE S EPT. 7.1 Qu est-ce que la mémoire? 166. 7.2 L utilisation de la mémoire à court terme 169
La éoire C HAPITRE S EPT 7.1 Qu est-ce que la éoire? 166 Les types de éoires 166 Vue d enseble des processus éoriels 168 7.2 L utilisation de la éoire à court tere 169 La éoire iconique 169 La éoire à
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailCommunications numériques
Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailMathématiques financières
Mathématique financière à court terme I) Les Intérêts : Intérêts simples Mathématiques financières - Intérêts terme échu et terme à échoir - Taux terme échu i u équivalent à un taux terme à échoir i r
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailEXERCICE II : LE TELEPHONE "POT DE YAOURT" (5 points)
USA 2005 EXERCICE II : LE TELEPHONE "POT DE YAOURT" (5 points) A l'ère du téléphone portable, il est encore possible de couniquer avec un systèe bien plus archaïque L'onde sonore produite par le preier
Plus en détailINITIATION AU LOGICIEL SAS
INITIATION AU LOGICIEL SAS (version 9.1.3 sous Windows) Hélène HAMISULTANE Bibliographie : Initiation au logiciel SAS(9) pour Windows, Coqué N. (juin 2006). www.agroparistech.fr/img/pdf/polysas.pdf SAS
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détail