Simulation de variables aléatoires

Dimension: px
Commencer à balayer dès la page:

Download "Simulation de variables aléatoires"

Transcription

1 Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face Loi de Bernoulli Loi binomiale Loi de probabilité discrète sur un ensemble fini Loi de Poisson Généralisation des lois sur un ensemble fini Cumul de durées exponentielles Variables aléatoires continues Méthode de la fonction inverse Algorithme du rejet Loi normale Méthode de Box-Müller Application du Théorème Central Limite Extension de l algorithme du rejet aux densités à support non compact

2 1 Introduction On présente ici quelques méthodes de simulation de variables aléatoires de lois classiques. On notera F X la loi (i.e. la fonction de répartition) d une variable aléatoire X et, si elle existe, f X sa densité : F X (x) = Pr {X x}, f X (x) = d dx F X(x). Hypothèse générale : On suppose qu on dispose d un générateur de variable aléatoire de loi uniforme sur [0; 1] indépendantes : c est à dire U U [0;1] F U (u) = 0 si u < 0, = u si 0 u 1, = 1 si u > 1, f U (u) = 1{u [0; 1]}. L indépendance des valeurs est une des conditions essentielles de la validité de la plupart des algorithmes présentés ici. Exemples : Dans SAS : fonction RANUNI, En Pascal : RANDOMIZE (initialisation du générateur), puis fonction RAN- DOM. On ne s étend pas ici sur la conception des ces générateurs. Ils sont souvent fondés sur des calculs de congruence sur des nombres de grande dimension et initialisés à partir de l horloge de la machine. Il faut cependant savoir qu il ne s agit que de générateurs de nombres pseudo-aléatoires, et que notamment, les valeurs obtenues ne sont qu apparemment indépendantes.

3 Variables aléatoires discrètes.1 Pile ou face On veut simuler une variable aléatoire de loi Pile ou Face i.e. X B( 1 ). Formellement, cette procédure s écrit On tire U Pile si U 1, Face sinon. X = 1{U 1 }.. Loi de Bernoulli On veut simuler X B(p). c est à dire On tire U x = 1 si u p, x = 0 sinon X = 1{U p}..3 Loi binomiale On veut simuler X B(n, p). On sait qu une variable binomiale représente la somme de n variables indépendantes de Bernoulli de paramètre p : {Y 1,...Y n } i.i.d., Y i B(p) X = n Y i B(n, p) i=1 Il suffit donc de simuler n variables aléatoires indépendantes de loi B(p) et d en faire la somme : n X = 1{U i p}..4 Loi de probabilité discrète sur un ensemble fini Soit X une variable aléatoire à valeurs dans {1,...K}, on note i=1 p k = Pr{X = k} (avec K p k = 1) k=1 3

4 et P k le cumul des p k : P k = j k p j, P 0 = 0. On a donc P 1 = p 1 et P K = 1. L algorithme est donc ce qui s écrit également On tire U si P k 1 u P k X = k=k k=1 k1{p k 1 U < P k } Remarque : Cette méthode revient à découper l intervalle [0; 1] en K morceaux de longueurs respectives p k :.5 Loi de Poisson.5.1 Généralisation des lois sur un ensemble fini On veut simuler X P(λ). Une variable aléatoire poissonnienne ne prend pas ses valeurs dans un ensemble fini, mais on peut étendre la méthode précédente au cas ou X prend ses valeurs dans IN. En fait, la méthode proposée ici annonce la méthode de la fonction inverse. On sait que ce qui implique que λ λk X P(λ) p k = Pr{X = k} = e k! (pour k IN) p k+1 = λ k + 1 p k et, en notant P k le cumul des p k (P k = j=k j=0 p j), que P k+1 = P k + λ p + 1 p k. On simule donc un variable de Poisson de paramètre λ en prenant X = k 0 k1{p k 1 U < P k } avec la convention P 1 = 0. Cet algorithme est assez simple à programmer grâce aux remarques sur les p k et les P k faites ci-dessus. 4

5 .5. Cumul de durées exponentielles Une autre méthode de simulation de variables aléatoires de Poisson est issue d une des propriétés des processus de Poisson. On sait que si des événements surviennent à des dates séparées par des durées exponentielles de paramètre λ, le nombre d événements survenant en une unité de temps suit une loi de Poisson de même paramètre. On simule des variables aléatoires {Y 1, Y,...} i.i.d., Y i E(λ) (voir le paragraphe sur les variables aléatoires continues) et définit X par X = k 0 k1{z k 1 < Z k+1 } en notant Z k le cumul des durées Y i : Z k = i=k k=1 Y i. Il faut donc simuler des variables aléatoires exponentielles de paramètre λ et compter le nombre de simulations nécessaires pour dépasser 1, ou bien simuler des variables aléatoires exponentielles de paramètre 1 et compter le nombre de simulations nécessaires pour dépasser λ. 5

6 3 Variables aléatoires continues 3.1 Méthode de la fonction inverse On veut simuler une variable aléatoire continues X de fonction de répartition F. Théorème : Soit X une variable aléatoire de fonction de répartition F strictement croissante, on a F (X) U [0;1]. Démonstration : On pose u = F (x) x = F 1 (u), par définition, on a F (x) = Pr{X x} et donc F ( F 1 (u) ) = Pr { X F 1 (u) } or F (F 1 (u)) = u par définition de la réciproque et Pr {X F 1 (u)} = Pr{F (X) u} car F est strictement croissante. On a donc u = Pr{F (X) u} et on reconnaît la fonction de répartition de la loi uniforme. Méthode : Si on connaît la fonction F 1, réciproque de F, il suffit de tirer X = F 1 (U). Exemple : loi exponentielle X E(λ) F (x) = 1 e λx F 1 (u) = 1 ln(1 u). λ On pourrait donc poser X = ln(1 U)/λ, mais on peut remarquer que si U suit une loi U [0;1], 1 U également. On pose donc : X = ln U λ. Remarque : L hypothèse de la connaissance de F 1 n a de sens que si F est strictement croissante. Cependant, même dans ce cas, il se peut que F 1 n ait pas d expression analytique simple, c est le cas par exemple pour la loi normale. Si on note Φ la fonction de répartition de la loi normale centrée réduite, Φ(x) = 1 π x 6 e t / dt,

7 il n existe pas de formulation simple de Φ(x) et encore moins de Φ 1 (x) ; la méthode de la fonction inverse ne peut donc pas s appliquer directement à la loi normale. Cependant il existe des polynômes donnant d assez bonnes approximations de (x) et de Φ 1 (x) qui permettent donc d appliquer la méthode la fonction inverse à la loi normale moyennant une excellente approximation. 3. Algorithme du rejet On veut simuler une variable aléatoire X de densité f et de fonction de répartition F. Hypothèses : 1. f est à support compact, i.e que. f est nulle en dehors d un intervalle [a; b]. Exemple : f(x) = 6x(1 x)1{0 x 1}.. Il existe un majorant M de f(x) : x [a; b] : f(x) M. Graphe de la fonction y = f(x) On a surface du rectangle (abcd) = M(b a), surface sous la courbe = 1 (puisque c est une densité), surface de la zone hachurée =F (x 0 ). Méthode : 1. On tire un point A = (X, Y ) uniformément distribué sur le rectangle (abcd) : on tire U 1 X = a + (b a)u 1, on tire U Y = MU. 7

8 . Si Y f(x), on garde X sinon on tire un autre point. 3. On réitère jusqu à ce que la condition Y f(x) soit remplie. Théorème : répartition F. La variable X ainsi obtenue a bien une densité f et une fonction de Démonstration : or et donc Pr{X x 0 } = Pr{X x 0 on garde A = (X, Y )} = Pr{X x 0 Y f(x)} = Pr{X x 0, Y f(x)} Pr{Y f(x)} surface de la zone hachurée Pr{X x 0, Y f(x)} = surface du rectangle (abcd) = F (x 0) M(b a) surface sous la courbe Pr{Y f(x)} = surface du rectangle (abcd) = 1 M(b a) Pr{X x 0 } = F (x 0) M(b a) = F (x 0 ). M(b a) 1 Remarque : Il est de plus important de noter qu on choisit la constante M la plus petite possible pour minimiser le nombre de rejets : plus la majoration est grossière, plus il faut de tirages pour obtenir une valeur acceptable. 3.3 Loi normale Méthode de Box-Müller La loi normale n a pas une densité à support compact et on ne connaît pas d expression simple de l inverse de sa fonction de répartition. On ne peut donc, théoriquement, employer aucune des deux méthodes précédentes. On présente ici une méthode qui permet de simuler un couple des variables aléatoires normales, centrées, réduites et indépendantes. On veut simuler X N (0, 1) et Y N (0, 1) indépendantes. On connaît la densité jointe de X et Y : f X,Y (x, y) = 1 π exp On effectue le passage en coordonnées polaires ( x + y ). x = ρ cos θ, x = ρ sin θ 8

9 et on obtient f X,Y (x, y)dxdy = 1 ( π exp x + y = 1 ( π exp ρ = f R,Θ (ρ, θ)dρdθ. ) ρdρdθ ) dxdy Dans la densité jointe des variable R et Θ, on reconnaît 1 π = densité de Θ qui suit une loi U [0;π], ) ρ exp ( ρ = densité de R. On en déduit la fonction de répartition de R : F R (ρ) = Pr{R ρ} = ρ où on reconnaît une loi exponentielle E( 1 ) pour R. On a donc les lois de R et Θ : 0 ( ) ( ) ρ exp t dt = 1 exp t R E( 1 ), Θ U [0;π]. Méthode : On tire U 1 R = ln U 1, on tire U Θ = πu. et on pose : X = R cos Θ, Y = R sin Θ. Ces deux variables aléatoires sont indépendantes par construction (leur densité jointe est définie comme le produit de leurs densités respectives). Remarque : transformation: Pour simuler Z N (µ, σ ), on simule X N (0, 1) et on effectue la Z = µ + σx. 9

10 3.3. Application du Théorème Central Limite Une application immédiate du théorème central limite donne une méthode très simple de génération de variables aléatoires normales. On sait que si on a n variable aléatoire i.i.d. d espérance µ et de variance σ, en notant S leur somme, on a : S nµ nσ loi N (0, 1). Dens de nombreux cas, cette convergence est assez rapide et permet d assez bonnes approximations pour n 10). On utilise ici les propriétés des variable aléatoire de loi U [0;1] : (U) = 1, (U) = 1 1 et on simule 1 variables aléatoires indépendantes uniformes sur [0; 1] et on en fait la somme. La variance de cette somme vaut 1 et il faut ensuite la centrer en lui retranchant son espérance, c est à dire 6 : X = 1 i=1 U i 6 La loi de cette variable est très proche de la loi normale N (0, 1). 3.4 Extension de l algorithme du rejet aux densités à support non compact On veut simuler une variable aléatoire X de densité f telle qu il existe une autre densité g pour laquelle on connaît un algorithme de génération et qui, à une constante a près, majore f partout : X F, f : g une densité, a +, x, f(x) a g(x). Il est clair qu on ne peut pas trouver une densité g qui majore f directement (i.e. prendre a = 1) puisque ces deux fonctions ont une intégrale sur égale à 1. Algorithme du rejet généralisé : de f(x), g(x) et a g(x). On appelle respectivement C f, C g et C ag les graphes 1. On tire un point A = (X, Y ) sous C ag distribué selon G en abscisse et uniformément sur [0; ag(x)] en ordonnée : on tire X G (par exemple X = G 1 (U 1 )), on tire Y U [0,ag(X)] (par exemple Y = a g(x) U ).. Si Y f(x), on garde X, sinon on tire un autre point. 3. On réitère jusqu à ce que la condition Y f(x) soit remplie. 10

11 Démonstration : or On a Pr{X x 0 } = Pr{X x 0, Y f(x)} Pr{Y f(x)} x0 Pr{X x 0, Y f(x)} = g(x) Pr{ag(x)U f(x)}dx x0 { = g(x) Pr U f(x) } x0 dx = g(x) f(x) ag(x) ag(x) dx = F (x 0), a Pr{Y f(x)} = g(x) Pr{ag(x)U f(x)}dx = 1 a et donc Pr{X x 0 } = F (x 0 ). Application à la loi normale : En notant ϕ la densité de la loi normale, on a ( ) exp x x ϕ(x) = exp ( 1 x ). π π En effet exp ) ( ) ( x 1 exp x x x + 1 ( x 1) 0 0 ce qui est toujours vrai. Or exp ( 1 x ) π = e π 1 e e x = π g(x) où g(x) est la densité de la loi double exponentielle qui correspond à une variable exponentielle E(1) affectée d un signe est tiré à Pile ou Face. Il est de plus important de noter qu on choisit la constante a la plus petite possible pour minimiser le nombre de rejet : plus la majoration est grossière, plus il faut de tirages 11

12 pour obtenir une valeur acceptable. a = 1 a = e π < 1 1

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Loi binomiale Lois normales

Loi 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 détail

Lois normales, cours, terminale S

Lois normales, cours, terminale S Lois normales, cours, terminale S F.Gaudon 6 mai 2014 Table des matières 1 Variables centrées et réduites 2 2 Loi normale centrée et réduite 2 3 Loi normale N (µ, σ 2 ) 4 1 1 Variables centrées et réduites

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Fonctions 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 détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Moments des variables aléatoires réelles

Moments 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 détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48 Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation

Plus en détail

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006 ESSEC M B A CONCOURS D ADMISSION Option économique MATHEMATIQUES III Année 2006 La présentation, la lisibilité, l orthographe, la qualité de la rédaction, la clarté et la précision des raisonnements entreront

Plus en détail

Variables aléatoires continues

Variables aléatoires continues IUT Aix-en-Provence Année 204-205 DUT Informatique TD Probabilités feuille n 6 Variables aléatoires continues Exercice (La station-service) Dans une station-service, la demande hebdomadaire en essence,

Plus en détail

Démonstrations exigibles au bac

Démonstrations exigibles au bac Démonstrations exigibles au bac On donne ici les 11 démonstrations de cours répertoriées comme exigibles dans le programme officiel. Toutes ces démonstrations peuvent donner lieu à une «restitution organisée

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice 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 détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève 30-1- 2013 J.F.C. p. 1 F 1 F 2 F 3 Assez simple ou proche du cours. Demande du travail. Délicat. EXERCICES SANS PRÉPARATION HEC 2005 Question 11 D après HEC 2005-11 F 2 X est une variable aléatoire de

Plus en détail

Simulation de variables aléatoires

Simulation 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 détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

5 Méthodes algorithmiques

5 Méthodes algorithmiques Cours 5 5 Méthodes algorithmiques Le calcul effectif des lois a posteriori peut s avérer extrêmement difficile. En particulier, la prédictive nécessite des calculs d intégrales parfois multiples qui peuvent

Plus en détail

1 Générateurs pseudo-aléatoires.

1 Générateurs pseudo-aléatoires. Université de Provence. Préparation Agrégation. Épreuve de modélisation, option Probabilité-Statistique... Quelques références. Simulation de variables aléatoires. Fabienne CASTELL N. BOULEAU. Probabilités

Plus en détail

Au menu. Cours 7: Classes Probabilistes. Application : Calcul de la médiane. Sous menu. Retours sur quelques algorithmes.

Au menu. Cours 7: Classes Probabilistes. Application : Calcul de la médiane. Sous menu. Retours sur quelques algorithmes. Au menu Cours 7: Classes Probabilistes Olivier Bournez bournez@lix.polytechnique.fr LIX, Ecole Polytechnique Retours sur quelques algorithmes Quelques résultats INF561 Algorithmes et Complexité 1 2 Sous

Plus en détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 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 détail

CONCOURS 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) 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 détail

Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE

Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE Statistiques et probabilités : Loi Normale Les I.P.R. et Formateurs de l Académie de LILLE Bulletin officiel spécial 8 du 13 octobre 2011 Cadre général : loi à densité Définition Une fonction f définie

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

CCP PSI - 2010 Mathématiques 1 : un corrigé

CCP PSI - 2010 Mathématiques 1 : un corrigé CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Le polycopié de cours, les notes manuscrites, et les calculatrices sont autorisés.

Le polycopié de cours, les notes manuscrites, et les calculatrices sont autorisés. Université d Orléans Deug MASS, MIAS et SM Unité MA. Probabilités et Graphes Examen partiel du 5 décembre durée: h Le polycopié de cours, les notes manuscrites, et les calculatrices sont autorisés. Le

Plus en détail

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12 TS. 01/013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 0/11/1 Exercice 1 : ( 6,5 pts) Première partie : Démonstration à rédiger { Démontrer que si ( ) et (v n ) sont deux suites telles

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

: 3 si x 2 [0; ] 0 sinon

: 3 si x 2 [0; ] 0 sinon Oral HEC 2007 Question de cours : Dé nition d un estimateur ; dé nitions du biais et du risque quadratique d un estimateur. On considère n (n > 2) variables aléatoires réelles indépendantes X 1,..., X

Plus en détail

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x )

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x ) Séries de Fourier Les séries de Fourier constituent un outil fondamental de la théorie du signal. Il donne lieu à des prolongements et des extensions nombreux. Les séries de Fourier permettent à la fois

Plus en détail

Couples de variables aléatoires discrètes

Couples de variables aléatoires discrètes Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude

Plus en détail

Cours de mathématiques pour la Terminale S

Cours de mathématiques pour la Terminale S Cours de mathématiques pour la Terminale S Savoir-Faire par chapitre Florent Girod 1 Année scolaire 2015 / 2016 1. Externat Notre Dame - Grenoble Table des matières 1) Suites numériques.................................

Plus en détail

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,

Plus en détail

TD 1 & 2 Rappels de probabilités

TD 1 & 2 Rappels de probabilités Master IF, ENS de Lyon Évaluation de performance 5 & 22 septembre 20 TD & 2 appels de probabilités lionel.rieg@ens-lyon.fr Probabilités discrètes. Calcul de probabilités Exercice Soient A et B des événements

Plus en détail

Master de Mathématiques Mathématiques de la modélisation et de la décision Simulation Stochastique

Master de Mathématiques Mathématiques de la modélisation et de la décision Simulation Stochastique Master de Mathématiques Mathématiques de la modélisation et de la décision Simulation Stochastique 2 2 i Introduction Ce cours présente des méthodes numériques qui utilisent des nombres aléatoires pour

Plus en détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

Plus en détail

Cours de Probabilités. Jean-Yves DAUXOIS

Cours de Probabilités. Jean-Yves DAUXOIS Cours de Probabilités Jean-Yves DAUXOIS Septembre 2013 Table des matières 1 Introduction au calcul des probabilités 7 1.1 Espace probabilisable et loi de variable aléatoire........ 8 1.1.1 Un exemple

Plus en détail

Chapitre 6 : Génération aléatoire

Chapitre 6 : Génération aléatoire Chapitre 6 : Génération aléatoire Alexandre Blondin Massé Laboratoire d informatique formelle Université du Québec à Chicoutimi 12 février 2013 Cours 8STT105 Département d informatique et mathématique

Plus en détail

Nouveaux programmes de terminale Probabilités et statistiques

Nouveaux programmes de terminale Probabilités et statistiques Nouveaux programmes de terminale Probabilités et statistiques I. Un guide pour l'année II. La loi uniforme : une introduction III. La loi exponentielle IV. De la loi binomiale à la loi normale V. Échantillonnage

Plus en détail

Événements et probabilités, probabilité conditionnelle et indépendance

Événements et probabilités, probabilité conditionnelle et indépendance Chapitre 1 Événements et probabilités, probabilité conditionnelle et indépendance On cherche ici à proposer un cadre mathématique dans lequel on puisse parler sans ambiguité de la probabilité qu un événement

Plus en détail

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale.

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Aix Marseille Université. Algorithmes Stochastiques. M MIS. Fabienne Castell... Chapitre : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Le but de ce chapitre

Plus en détail

Continuité et dérivabilité d une fonction

Continuité 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 détail

Chapitre 4 NOTIONS DE PROBABILITÉS

Chapitre 4 NOTIONS DE PROBABILITÉS Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 4 NOTIONS DE PROBABILITÉS Les chapitres précédents donnent des méthodes graphiques et numériques pour caractériser

Plus en détail

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples 36 Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples (Ω, B, P est un espace probabilisé. 36.1 Définition et propriétés des probabilités conditionnelles Définition 36.1

Plus en détail

Exercice 1 QCM. 4 i. e π ou. e π, ou : 4 ( i) 1 /4. e π. e π Réponse d. 1. Le carré de z est : ce qui donne : soit : , soit 4i

Exercice 1 QCM. 4 i. e π ou. e π, ou : 4 ( i) 1 /4. e π. e π Réponse d. 1. Le carré de z est : ce qui donne : soit : , soit 4i TSTI2D - Bac 203 - Polynésie STI2D -.0 - Corrigé.doc - Page /5 Terminale STI2D - Bac 203 - Polynésie - Corrigé. TSTI2D - Bac 203 - Polynésie STI2D -.0 - Corrigé.doc - Page 2/5 Exercice QCM. Le carré de

Plus en détail

Mth2302B - Intra Été 2011

Mth2302B - Intra Été 2011 École Polytechnique de Montréal page 1 Contrôle périodique Été 2011--------------------------------Corrigé--------------------------------------T.Hammouche Question 1 (12 points) Mth2302B - Intra Été 2011

Plus en détail

Image d un intervalle par une fonction continue

Image 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 détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

2 36. k 2 3 4 5 6 7 8 9 10 11 12

2 36. k 2 3 4 5 6 7 8 9 10 11 12 Chapitre 2 : Variables aléatoires discrètes Les variables aléatoires qui apparaissent dans ce chapitre (et son appendice) sont des exemples de variables aléatoires discrètes. I- Variables aléatoires. 1.

Plus en détail

3.8 Introduction aux files d attente

3.8 Introduction aux files d attente 3.8 Introduction aux files d attente 70 3.8 Introduction aux files d attente On va étudier un modèle très général de problème de gestion : stocks, temps de service, travail partagé...pour cela on considère

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

COUPLES DE VARIABLES ALÉATOIRES CHAPITRE 13 COUPLES DE VARIABLES ALÉATOIRES Dans tout le chapitre, (Ω, P) désignera un espace probabilisé fini. 1 Couple de variables aléatoires Définition 13.1 On appelle couple de variables aléatoires

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

Contrôle de statistiques Sujet 2 Corrigé

Contrôle de statistiques Sujet 2 Corrigé Contrôle de statistiques Sujet 2 Corrigé L2 d économie - Université Paris 1 Panthéon-Sorbonne Nom : Prénom : Les exercices sont indépendants. Le barème est indicatif. L utilisation de documents, calculatrices,

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue

Plus en détail

I. Polynômes de Tchebychev

I. Polynômes de Tchebychev Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Méthodes de Simulation

Méthodes 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 détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Estimation et tests statistiques, TD 5. Solutions

Estimation 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 détail

Analyse de données et méthodes numériques

Analyse de données et méthodes numériques Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés? Analyse de données et

Plus en détail

Le documentd accompagnement des programmes de Mathématiques en classe de première et de terminale,

Le documentd accompagnement des programmes de Mathématiques en classe de première et de terminale, PROGRESSION SPIRALÉE Page 1/10 Le documentd accompagnement des programmes de Mathématiques en classe de première et de terminale, série scientifique et série économique et sociale, précise que : " Les

Plus en détail

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Université d Avignon Fichier dispo sur http://fredericnaud.perso.sfr.fr/ Une étude statistique dans la population montre que le Q.I. est

Plus en détail

Aire sous une courbe et calcul de primitives

Aire sous une courbe et calcul de primitives Aire sous une courbe et calcul de primitives Le calcul de primitives d une fonction et celui de l aire de la surface bordée par le graphique de cette fonction sont intimement liés. Les exemples qui suivent

Plus en détail

Devoir Surveillé n 5 BTS 2009 groupement B

Devoir Surveillé n 5 BTS 2009 groupement B EXERCICE 1 (12 points) Devoir Surveillé n 5 BTS 2009 groupement B Les trois parties de cet exercice peuvent être traitées de façon indépendante. A. Résolution d une équation différentielle On considère

Plus en détail

BACCALAURÉAT BLANC 2013

BACCALAURÉAT BLANC 2013 BACCALAURÉAT BLANC 203 Série S Corrigé Exercice. a) On traduit les données de l énoncé et on représente la situation par un arbre pondéré. PF ) = 2, PF 2) = 3, P F ) = 5 00 = 20, P F 2 ) =,5 00 = 3 3,5,

Plus en détail

Sujets HEC B/L 2013-36-

Sujets HEC B/L 2013-36- -36- -37- Sujet HEC 2012 B/L Exercice principal B/L1 1. Question de cours : Définition et propriétés de la fonction de répartition d une variable aléatoire à densité. Soit f la fonction définie par : f(x)

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

ECRICOME 2004. Voie Eco. 1 1 + x. f (x) dx n N, u n = 1. 0 xn f (x) dx

ECRICOME 2004. Voie Eco. 1 1 + x. f (x) dx n N, u n = 1. 0 xn f (x) dx ECRICOME 2004 Voie Eco 1 EXERCICE 1 EXERCICE Soient f la fonction numérique de la variable réelle définie par : x R, f (x = 1 2 et (u n la suite de nombres réels déterminée par : { u 0 = 1 f (x dx 0 n

Plus en détail

Baccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé

Baccalauréat 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 détail

Calculs préliminaires.

Calculs préliminaires. MINES-PONTS 005. Filière MP. MATHÉMATIQES 1. Corrigé de JL. Lamard jean-louis.lamard@prepas.org) Calculs préliminaires. Notons que si f H alors f)e / est bien intégrable sur R car continue positive et

Plus en détail

Variables aléatoires réelles

Variables aléatoires réelles Variables aléatoires réelles Table des matières 1 Généralités sur les variables aléatoires réelles. 3 1.1 Rappels sur les σ-algèbres ou tribus d événements................................. 3 1.2 σ-algèbre

Plus en détail

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Fiche TD avec le logiciel : a2-1-c Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Sylvain Mousset Rappels de probabilités / statistiques Table des matières 1 Probabilités

Plus en détail

CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Probabilités Épreuve de Bernoulli, loi de Bernoulli.

CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Probabilités Épreuve de Bernoulli, loi de Bernoulli. 1 ère - 3 Chap.9 : Loi binomiale. Échantillonnage. 1 ère - Chapitre 9 : LOI BINOMIALE. ÉCHANTILLONNAGE. Textes officiels (30 septembre 2010) : CONTENU CAPACITÉ ATTENDUE COMMENTAIRE Probabilités Épreuve

Plus en détail

TD 4 : HEC 2001 épreuve II

TD 4 : HEC 2001 épreuve II TD 4 : HEC 200 épreuve II Dans tout le problème, n désigne un entier supérieur ou égal à 2 On dispose de n jetons numérotés de à n On tire, au hasard et sans remise, les jetons un à un La suite (a, a 2,,

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Modèles à Événements Discrets. Réseaux de Petri Stochastiques Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés

Plus en détail

Espérance conditionnelle

Espérance 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 détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Baccalauréat ES Asie 19 juin 2013 Corrigé

Baccalauréat ES Asie 19 juin 2013 Corrigé accalauréat E sie 19 juin 201 orrigé EXERIE 1 ommun à tous les candidats On ne demandait aucune justification dans cet exercice. 4 points 1. b. 2. a.. c. 4. c. La longueur de l intervalle [ 1; 1] est 2

Plus en détail

Mathématiques : statistiques et simulation

Mathématiques : statistiques et simulation Université de Picardie - LAMFA CNRS UMR 6140 PAF Amiens - Formation Enseignement des Mathématiques - 20 janvier 2012 (Extrait du document ressource pour la classe de seconde) Dans le sens commun des sondages,

Plus en détail

Exercices corrigés, tome 04 : les énoncés

Exercices corrigés, tome 04 : les énoncés Exercices corrigés, tome 4 : les énoncés Table des matières : 1. Applications linéaires, p.2. 2. Variables aléatoires, p.6. 3. Intégrales, p.12. 4. Polynômes, p.16. 1 1 Applications linéaires Exercice

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires COMPLÉMENT III Simulation de variables aléatoires Références : Modélisation stochastique et simulation, B. Bercu et D. Chafaï Pour Scilab, non testé : Introduction à scilab, P. Chancelier, ed. Springer.

Plus en détail

Baccalauréat S Nouvelle-Calédonie 17 novembre 2014

Baccalauréat S Nouvelle-Calédonie 17 novembre 2014 Durée : 4 heures Baccalauréat S Nouvelle-Calédonie 17 novembre 2014 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats Les trois parties A, B et C sont indépendantes Une fabrique de desserts glacés

Plus en détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

Fonction polynôme du second degré : Forme canonique

Fonction polynôme du second degré : Forme canonique Fonction polynôme du second degré : Forme canonique I) Introduction. Soit g(x) = a(x - s)²+h. Toute fonction polynôme du second degré peut s écrire sous cette forme. Le passage de la forme développée à

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

Fiche de révision sur les lois continues

Fiche de révision sur les lois continues Exercice 1 Voir la correction Le laboratoire de physique d un lycée dispose d un parc d oscilloscopes identiques. La durée de vie en années d un oscilloscope est une variable aléatoire notée X qui suit

Plus en détail

1 Générateurs à Congruences Linéaires (GCL)

1 Générateurs à Congruences Linéaires (GCL) TP 4 : Générateurs pseudo-aléatoires et applications Un générateur de nombres pseudo-aléatoires, pseudorandom number generator (PRNG) en anglais, est un algorithme qui génère une séquence de nombres présentant

Plus en détail

Correction du TP4. column 1 to 17. column 18 to 34. column 35 to 51. column 52 to 68. column 69 to 85. column 86 to 100. U i ]. i=1.

Correction du TP4. column 1 to 17. column 18 to 34. column 35 to 51. column 52 to 68. column 69 to 85. column 86 to 100. U i ]. i=1. Exercice 1. 1. U=grand(1,10000,'uin',-2,5) disp(u(1:100), "U=") On obtient par exemple : U= column 1 to 17-1. 2. 3. 0. 5. 3. - 1. 0. 4. - 2. 5. 3. - 1. 2. 0. - 1. 3. column 18 to 34-2. - 1. 3. 1. 5. 5.

Plus en détail

Outils d analyse fonctionnelle Cours 5 Théorie spectrale

Outils d analyse fonctionnelle Cours 5 Théorie spectrale Outils d analyse fonctionnelle Cours 5 Théorie spectrale 22 septembre 2015 Généralités Dans tout ce qui suit V désigne un espace de Hilbert réel muni d un produit scalaire x, y. Définition Soit A une application

Plus en détail

Compléments sur les couples aléatoires

Compléments sur les couples aléatoires Licence Math et MASS, MATH54 : probabilités et statistiques Compléments sur les couples aléatoires 1 Couple image ans ce paragraphe, on va s intéresser à la loi d un vecteur aléatoire S, T qui s obtient

Plus en détail

La fonction exponentielle

La 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 détail

1 Variable aléatoire discrète... 1. 1.1 Rappels... 1. 1.2 Exemple... 2 2 Couples de variables aléatoires... 3. 2.1 Définition... 3

1 Variable aléatoire discrète... 1. 1.1 Rappels... 1. 1.2 Exemple... 2 2 Couples de variables aléatoires... 3. 2.1 Définition... 3 CHAPITRE : LOIS DISCRÈTES Sommaire Variable aléatoire discrète................................... Rappels........................................... Exemple......................................... Couples

Plus en détail

IV. Espaces L p. + tx 1. (1 t)x 0

IV. Espaces L p. + tx 1. (1 t)x 0 cours 13, le lundi 7 mars 2011 IV. spaces L p IV.1. Convexité Quand deux points x 0, x 1 R sont donnés, on peut parcourir le segment [x 0, x 1 ] qui les joint en posant pour tout t [0, 1] x t = (1 t)x

Plus en détail

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Séminaire MTDE 22 mai 23 INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Vincent Mazet CRAN CNRS UMR 739, Université Henri Poincaré, 5456 Vandœuvre-lès-Nancy Cedex 1 juillet 23 Sommaire

Plus en détail