Simulation de variables aléatoires

Dimension: px
Commencer à balayer dès la page:

Download "Simulation de variables aléatoires"

Transcription

1 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 Method, chap 3. Cadre: Scilab possède une fonction rand) dont les appels successifs fournissent une suite de variables aléatoires indépendantes et identiquement distribuées, de loi uniforme sur [, 1]. Nous ne nous intéresserons pas ici à la conception d une telle fonction. Problème: Comment simuler une variable aléatoire ou un vecteur aléatoire suivant une loi donnée, différente de la loi uniforme sur [,1]? 1.1 Premiers exemples de lois classiques Loi de Bernoulli de paramètre p: pδ p)δ Ecrire une fonction bernoulli1p) qui renvoit un tirage selon la loi de Bernoulli de paramètre p. Ecrire une fonction bernoulli2k,p) qui renvoit un k-echantillon suivant la loi de Bernoulli de paramètres p Loi binomiale de paramètres n, p): n k= ) n p k 1 p) n k δ k k Lemme Si X i ) 1 i n sont des variables aléatoires indépendantes et identiquement distribuées de loi de Bernoulli de paramètre p, alors S = n i=1 X i suit une loi binomiale de paramètres n, p). Ecrire une fonction binomialen,p) qui renvoit un tirage selon la loi binomiale de paramètres n,p). Faire un histogramme d un échantillon de taille 1 de loi binomiale de paramètres 8,1/3). histplot, clf 2

2 1.1.3 Loi uniforme sur {, 1,..., n 1}: function x=uniforme1n) 1 n 1 n k= // tirage suivant la loi uniforme sur {,...,n-1} x=floorn*rand)); Démonstration: On note X la variable aléatoire rendue par cette fonction. Comme P rand) < 1) = 1, on a P n*rand) < n) = 1 et δ k Pfloorn*rand)) [..n 1]) = 1. Donc X prend ses valeurs dans [..n 1]. Maintenant, soit k [..n 1]: PX = k) = Pfloorn*rand)) = k) = Pk n*rand) < k + 1) = P k n rand) < k + 1 n ) = 1 n Loi uniforme sur [a, b]: fx) = 1 b a 1 [a,b]x) Lemme Si U suit la loi uniforme sur [,1], alors, si α > et β R, αu + β suit la loi uniforme sur [β,β + α]. Démonstration: Soit ϕ : R R une fonction continue bornée: en faisant le changement de variable x = αu + β, on a EϕαU + β)) = 1 ϕαu + β)du = β+α β ϕx) 1 α dx, ce qui signifie que X est une variable aléatoire de densité fx) = 1 α 1 [β,β+α], et on reconnaît la densité de la loi uniforme sur [β,β + α]. function x=uniforme2a,b) // tirage suivant la loi uniforme sur [a,b] x=a+b-a)*rand); Loi exponentielle de paramètre λ: fx) = λ exp λx)1 R+ x) La fonction de répartition de la loi exponentielle est Ft) = PX t) = 1 exp λt). Cette fonction est une bijection de ],+ [ dans ],1[, d inverse Gu) = 1 ln1 u). λ Exercice 1: Montrer que si U est de loi uniforme sur [,1], alors GU) suit la loi exponentielle de paramètre λ. 3

3 function x=exponentiellea) // tirage suivant la loi exponentielle de parametre a x=-logrand))/a; Exercice 2: Pourquoi a-t-on remplacé 1 U par U dans l algorithme? Loi géométrique de paramètre p: Méthode 1: à partir du jeu de pile ou face: + k=1 1 p) k 1 pδ k Lemme Si X i ) i N sont des variables aléatoires iid de Bernoulli de paramètre p, alors N = min{i : X i = 1} suit une loi géométrique de paramètre p. function x=geometrique1p) // tirage suivant la loi geometrique de parametre p x=1; while rand)>p, x=x+1; end; Méthode 2: à partir de la loi exponentielle: ) Lemme Soit U suit la loi uniforme sur [,1], alors 1+E lnu ln1 p) de paramètre p. Démonstration: Notons X = 1 + E ln U ln1 p) X prend ses valeurs dans N. Soit maintenant k N : suit la loi géométrique ). Par définition de la partie entière, ) ) ) ) ln U ln U PX = k) = P 1 + E = k = P E = k 1 ln1 p) ln1 p) = P k 1 ln U ) ln1 p) < k = P k ln1 p) < U k 1)ln1 p)) = P 1 p) k < U 1 p) k 1) = 1 p) k 1 1 p) k = 1 p) k 1 p. function x=geometrique2p) // tirage suivant la loi geometrique de parametre p x=1+floorlogrand))/log1-p)); 4

4 1.1.7 Loi de Poisson de paramètre λ: + k= exp λ) λk k! δ k Lemme Soit X i ) i N sont des variables aléatoires iid exponentielles de paramètre λ. La variable aléatoire définie par N = si X 1 1 et N = max{i 1 : i X j 1} sinon, j=1 suit une loi de Poisson de paramètre λ. Démonstration: Soit k N. PN = k) k k+1 = P X j 1 < = = = R k+ 1 + R k + R k + j=1 j=1 X j λ k+1 exp λx x k+1 )1 {x1 + +x k 1}1 {xk+1 >1 x 1 + +x k )}dx 1...dx k+1 + λ k exp λx x k )1 {x1 + +x k 1} λexp λx k+1 )dx k+1 )dx 1...dx k 1 x 1 + +x k ) λ k exp λx x k )1 {x1 + +x k 1} exp λ)expλx x k ))dx 1...dx k = λ k exp λ) R k + 1 {x1 + +x k 1}dx 1...dx k. Pour calculer la dernière intégrale, on pose s 1 = x 1, s 2 = x 1 + x 2,..., s k = x x k : 1 {x1 + +x k 1}dx 1...dx k = R k + ce qui termine la preuve. = R k {s1 s 2 s k 1}ds 1... ds k ds k sk s2 ds k 1... ds 1 = 1 k!, Soit U i ) i N des variables aléatoires iid de loi uniforme sur [,1], alors si X i = 1 λ lnu i), les X i ) i N sont des variables aléatoires iid exponentielles de paramètre λ, et i X j 1 1 i i λ ln 1 U j exp λ). j=1 j=1 U j j=1 function x=poissona) // tirage suivant la loi de Poisson de parametre a test=exp-a);x=;prod=rand); while prod>=test), x=x+1; prod=prod*rand); end; 5

5 1.1.8 Loi gaussienne centrée réduite: Méthode de Box-Mueller Rappelons la formule de changement de variable en plusieurs dimensions: Théorème Soit G un ouvert de R n, et g : G R n une application de classe C 1, injective et dont le jacobien detj g x)) ne s annule pas sur G. Soit f une application mesurable de gg) dans R, intégrable sur gg). Alors fy)dy = fgx)) detj g x)) dx. gg) On en déduit la densité d un vecteur image: G Proposition Soit X un vecteur aléatoire à valeur dans R n de densité f X. Soit g : R n R n une application de classe C 1, injective et dont le jacobien detj g x)) ne s annule pas. Alors le vecteur aléatoire Y = gx) a pour densité: f Y y) = f X g 1 y)) detjg 1 y)). Démonstration: Soit ϕ : R n R une application mesurable, positive, bornée. On applique le théorème précédent avec g 1 : ce qui prouve le résultat. En particulier, on obtient: EϕY )) = EϕgX))) = ϕgx))f X x)dx R n = ϕy)f X g 1 y)) detjg 1 y)), R n Lemme Soit R une variable aléatoire de loi exponentielle de paramètre 1/2 et Θ une variable aléatoire de loi uniforme sur [, 2π], supposées de plus indépendantes. Alors, si on pose X = R cosθ) et Y = R sinθ), les variables aléatoires X et Y sont iid de loi gaussienne centrée réduite. function [x,y]=boxmueller // tirage de deux N,1) independantes r=sqrt-2*logrand))); t=2*%pi*rand); x=r*cost); y=r*sint); Exercice 3: Comment simuler une variable aléatoire gaussienne de moyenne m et de variance σ 2? 6

6 1.2 Méthodes générales Méthode générale pour une variable aléatoire discrète Soit X une variable aléatoire telle que XΩ) = {x,x 1,...} et, pour tout i N, p i = PX = x i ). On rappelle que p i et i N p i = 1. function y=simuldiscretex,p) // simule une va de loi discrete, // x=vecteur des valeurs prises, p=vecteur des probabilites u=rand); q=p); i=; while u>q); i=i+1; q=q+pi); end; y=xi); Démonstration: PX = x ) = Prand) p ) = p et pour k 1, PY = x k ) = P k 1 p i < rand) i= i= ) k p i = p i. Exercice 4: Ecrire une fonction en Scilab pour simuler suivant ce procédé la loi géométrique et la loi de Poisson. Remarque: Le nombre N de tests nécessaires satisfait N = 1 ssi u p, et pour i > 1, i 1 i N = i p i < u p i. On a donc intérêt à réordonner les x i ) i dans l ordre des p i ) i décroissants Simulation par inversion de la fonction de répartition j= La méthode utilisée pour simuler une loi exponentielle est en fait générale: dès que l on sait inverser une fonction de répartition F, il est très facile de simuler une variable aléatoire de fonction de répartition F. Lemme Soit U suit la loi uniforme sur [, 1], et F une fonction de répartition bijective de ]a,b[ dans ],1[ d inverse F 1. Alors F 1 U) est une variable aléatoire de fonction de répartition F. Démonstration: On pose X = F 1 U), elle prend ses valeurs dans ]a,b[. Remarquons que nécessairement F est strictement croissante de ]a,b[ dans ],1[. Soit t ]a,b[: j= PX t) = PF 1 U) t) = PU Ft)) = Ft). Donc la fonction de répartition de X est bien F. Exercice 5: En utilisant la méthode de la fonction de répartition, simuler une loi de Cauchy de densité ft) = 1 π 1 1+t 2. 7

7 1.2.3 Simulation par rejet Exemple: Commençons par un exemple très simple: comment simuler une loi uniforme sur le disque unité {x 2 + y 2 1}? function [x,y]=disque // simule un point uniformement sur le disque unite [x,y]=2*rand1,2)-[1,1]; while x^2+y^2>1), [x,y]=2*rand1,2)-[1,1]; end; L idée est la suivante: on tire des points uniformément dans le carré, et on les jette jusqu à en obtenir un qui tombe dans le disque. La loi du point obtenue est la loi d un point tiré uniformément dans le carré conditionnellement à être dans le disque, ce qui est encore la loi uniforme sur le disque. Exercice 6: Quel est la loi du nombre N de passages dans la boucle? Lemme Soit X une variable aléatoire de densité f sur R d ) à simuler. On suppose qu il existe k > et une densité g sur R d aussi, facile à simuler) tels que x fx) kgx). Soit U une variable aléatoire de loi uniforme sur [, 1] et Z une variable aléatoire, indépendante de U, de densité g. On pose V = kugz). Alors, la loi de Z conditionnellement à l événement {V < fz)} a pour densité f. Remarque: Notons que nécessairement k 1 car f, g sont des densités). Démonstration: On fait la démonstration pour le cas de R. Notons que pour tout fz) z R, kgz) 1. On a tout d abord PV < fz)) = PkUgZ) < fz)) = = dzgz) fz) kgz) = 1 k. P{Z t} {V < fz)}) = Donc PZ t V < fz)) = = R t t t que {V < fz)} a bien pour densité f. dzgz) R dzgz) 1 du1 {kugz)<fz)} t dzgz) fz) kgz) = 1 k dzfz). 1 du1 {kugz)<fz)} dzfz), donc la loi conditionnelle de Z sachant Dans R d, on utilise la généralisation de la fonction de répartition. On obtient donc l algorithme de simulation par rejet on suppose qu on possède une fonction simulg qui simule une variable aléatoire de densité g): 8

8 function z=simulf // simule par rejet une va de densite f u=rand); z=simulg; v=k*u*gz); while v>=fz)); u=rand); z=simulg; v=k*u*gz); end; Démonstration: Notons N le nombre de tests fait lors de cette fonction: c est une variable aléatoire, à valeurs dans N. Notons U n ) n 1 la suite des appels à la fonction rand), et Z n ) n 1 la suite des appels à la fonction simulg. Toutes ces variables aléatoires sont indépendantes, les premières de loi uniforme sur [, 1], les secondes de densité g. On note V n = ku n gz n ), et on note X la sortie de la fonction. Soit t R. PX t et N = 1) = PV 1 < fz 1 ) et Z 1 t) 1 k t dzfz) par la démonstration précédente. Soit maintenant i 2. Par indépendance, et comme précédemment: PX t et N = i) = PV 1 fz 1 ), V 2 fz 2 ),..., V i 1 fz i 1 ), V i < fz i ), Z i t) Finalement rappelons que k 1): = PV 1 fz 1 ))PV 2 fz 2 ))... PV i 1 fz i 1 ))PV i < fz i ), Z i t) = 1 1 ) i 1 1 t dzfz). k k PX t) = = + i=1 + i=1 PX t et N = i) 1 1 ) i 1 1 t t dzfz) = dzfz), k k donc la densité de X est bien f. Exercice 7: Simulation de la gaussienne par rejet par rapport à la double exponentielle. On pose fz) = 1 2π exp z 2 /2) et gz) = 1 2 exp z ). 1. Montrer que g est bien une densité sur R. 2. Déterminer une constante k satisfaisant z R, fz) kgz). On aura intérêt à prendre 2e k la plus petite possible: [k = π = 1,3155]. 3. Ecrire un algorithme de simulation d une loi gaussienne centrée réduite par rejet. Exercice 8: Montrer que le nombre de passage dans la boucle suit une loi géométrique dont le paramètre ne dépend que de k. Justifier alors l intérêt de prendre k la plus petite possible. 9

9 1.2.4 Simulation par composition Exercice 9: Soit F et G deux fonctions de répartition sur R. On construit une variable aléatoire X de la façon suivante: on lance une pièce qui tombe sur pile avec probabilité 1/3 et sur face avec probabilité 2/3, si pile sort, on tire un nombre au hasard suivant la loi donnée par F, sinon, on tire un nombre au hasard suivant la loi donnée par G. Déterminer la fonction de répartition H de X. L exemple précédent est un exemple de mélane de variables aléatoires. On suppose maintenant qu on veut simuler une variable aléatoire X de fonction de répartition F = n i=1 θ if i, où les θ i sont des poids: θ i et n i=1 θ i = 1 et les F i sont des fonctions de répartition dont les lois sont faciles à simuler. On suppose qu on a à notre disposition des fonctions simulfi qui simulent des variables aléatoires de fonction de répartition F i et une fonction simultheta qui simule une variable aléatoire Θ à valeur dans {1,...,n} telle que PΘ = i) = θ i. function x = melange // simulation par melange i=simultheta; x=simulfi; Exercice 1: Simuler un mélange d exponentielles Fz) = α1 exp az)) + 1 α)1 exp bz)). Exercice 11: Simuler une variable aléatoire de loi 1 2 δ e x 1 R+ x)dx. Cette méthode se généralise immédiatement à un nombre infini dénombrable de poids θ i ) i N, et même à un mélange continu de lois: on suppose qu on veut simuler une variable aléatoire X de densité fz) = θ gθ)f θz)dθ, où g est une densité de probabilité, ainsi que tous les f θ. L algorithme est alors simple: on tire θ suivant g, puis x suivant f θ. Exercice 12: Soit a >, et fx) = aléatoire X à simuler. 1. Vérifier que fx) = 1 a a λ exp λx)dx. 2. En déduire un algorithme pour simuler X. 1 ax + 1)exp ax) ax 2 1 x> la densité de la variable 1.3 Simulation de vecteurs aléatoires Cas indépendant Soit Z une vecteur aléatoire de R d à simuler. Si ses composantes sont indépendantes, on est ramené au cas de la simulation de variables aléatoires réelles indépendantes traité dans les sections précédentes on rappelle que les sorties successives de rand donnent des variables aléatoires indépendantes de loi uniforme sur [, 1]). Le problème est différent quand les coordonnées ne sont pas indépendantes. 1

10 1.3.2 Vecteur gaussien Un vecteur gaussien dans R d est caractérisé par un vecteur moyenne m R d, et une matrice de covariance K, de taille d d, symétrique et positive. On suppose pour l instant que K est définie positive. Théorème Décomposition de Cholesky) Si K est une matrice symétrique définie positive de taille d d, il existe au moins une matrice réelle triangulaire inférieure L telle que : K = L t L. On peut également imposer que les éléments diagonaux de la matrice L soient tous strictement positifs, et la factorisation correspondante est alors unique. Démonstration: On procède par récurrence sur la dimension d. C est clair pour d = 1. Soit K une matrice symétrique définie positive de taille d d, avec d 2. On note e 1,e 2,...,e d ) la base canonique de R d. La restriction de la forme bilinéaire symétrique définie par K au sous-espace vectoriel engendré par e 1,...,e d 1 ) est encore définie positive: il existe une matrice K d 1 symétrique définie positive de taille d 1) d 1), un vecteur colonne C de taille d 1) 1 et un réel positif a tels que K = K d 1 t C ) C. a Si on cherche L triangulaire inférieure de taille d d sous la forme ) L d 1 L = b t V alors on doit résoudre L t Ld 1 t L d 1 L d 1 V L = t V L t d 1 t V V + b 2 ) = K L d 1 t L d 1 = K d 1 L d 1 V = C t V V + b 2 = a L hypothèse de récurrence assure l existence et l unicité de L d 1, triangulaire inférieure de taille d 1) d 1) avec coefficients diagonaux strictement positifs, telle que L d 1 t L d 1 = K d 1. En particulier, L d 1 est inversible, ce qui permet de résoudre de façon unique V = L 1 d 1 C. Il reste donc à voir que a t V V >, et b sera alors la racine carrée de a t V V. On va calculer par blocs le déterminant de K, qui est strictement positif. On fait apparaitre des dans les d 1 premiers coefficients de la dernière colonne de K en soustrayant à cette colonne une combinaison linéaire adéquate des d 1 premières colonnes de la matrice K: ) C a Kd 1 t C ) 11 K 1 d 1 C) = a t CK 1 d 1 C )

11 Cette manipulation ne change pas le déterminant, et on se retrouve avec une matrice tringulaire par blocs: ) K d 1 detk) = det t C a t CK 1 d 1 C Comme detk d 1 ) >, il vient a t CK 1 d 1C >. Mais = detk d 1 )a t CK 1 d 1C) >. t CK 1 d 1 C =t CL d 1 t L d 1 ) 1 C = t L 1 d 1 C)L 1 d 1 C) =t V V, ce qui conclut la preuve. En pratique: on cherche L par coefficient indéterminés et identification, colonne par colonne. Voir l exemple juste après. Remarque: Si K est seulement semi-définie positive, la décomposition de Cholesky existe encore mais elle n est plus unique. Lemme Soit T un vecteur gaussien de dimension d centré de matrice de covariance I d dont les coordonnées sont des variables aléatoires iid normales centrées réduites). Soit m R d, et K une matrice définie positive de taille d d. Soit L la matrice triangulaire inférieure donnée par la factorisation de Cholesky de K. Alors le vecteur aléatoire Z = m + LT est un vecteur gaussien de moyenne m et de matrice de covariance K. Démonstration: Comme L est une application linéaire de R d dans R d, Z est encore un vecteur gaussien d-dimensionnel. Pour l espérance: EZ) = Em + LT) = m + LET) = m, puisque T est centré. Pour la matrice de covariance, comme celle de T est I d, EZ m) t Z m)) = ELT t T t L) = LET t T) t L = LI t d L = Lt L = K. Exemple: On veut simuler le vecteur gaussien Z de R 3 de moyenne m et de matrice de covariance K avec m = et K = On commence par chercher la matrice de factorisation de Cholesky L par coefficients indéterminés et identification: l 11 L = l 21 l 22. l 31 l 32 l 33 On calcule LL t et on identifie, colonne par colonne:. 12

12 1. l11 2 = k 11 = 1 l 11 = l 11 l 21 = k 21 = 1 l 21 = l 11 l 31 = k 31 = l 31 =. 4. l l2 22 = k 22 = 5 l 22 = l 21 l 31 + l 22 l 32 = k 32 = 6 l 32 = l l l2 33 = k 33 = 1 l 33 = 1. Donc Z = T, ou T est un vecteur gaussien de R 3 dont les trois composantes sont iid centrées réduites Cas général 1. Le cas d une v.a. discrète à valeurs dans R d se traite comme celui d une variable aléatoire réelle discrète. 2. La méthode de rejet a été présentée dans la cas d une variable aléatoire à valeurs dans R d. 3. On peut encore utiliser les lois conditionnelles. Nous allons illustrer cette méthode, dite méthode récurrente, par un exemple: Exemple: On veut simuler un vecteur X,Y ) de loi uniforme sur le triangle ABC avec A =,), B = 1,1) et C =,1). On commence par déterminer la densité de cette loi: On peut alors calculer la densité de X: fx,y) = 21 x 1 1 y 1 1 x y. f X x) = 21 x)1 x 1, puis la densité de la loi conditionnelle de Y sachant X: f Y X y x) = 1 1 x 1 x y 1. Pour la simulation, on procède maintenant de la façon suivante: on simule X suivant sa densité en utilisant par exemple la méthode de la fonction de répartition), on obtient une valeur x, puis on simule Y suivant la densité f Y X y x) = 1 1 x 1 x y 1 on reconnait par exemple une loi usuelle). Remarque: Remarquons que la seconde étape ressemble beaucoup à la simulation par mélange. Exercice 13: Simuler un vecteur de loi fx,y,z)dxdydz, où fx,y,z) = 61 x>,y>,z> 1 x+y+z<1 : a) en utilisant les lois conditionnelles. 13

13 b) par la méthode du rejet. c) Comparer. Exercice 14: Simuler un vecteur de loi fx,y)dxdy, où fx,y) = 1 2 x + y)e x+y) 1 x> 1 y>. 14

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

Simulation de variables aléatoires

Simulation de variables aléatoires CHAPITRE I. SIMULATION DE VARIABLES ALÉATOIRES 25 Chapitre I Simulation de variables aléatoires La simulation informatique de variables aléatoires, aussi complexes soient elles, repose sur la simulation

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

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

Exo7. Sujets de l année 2008-2009. 1 Partiel. Enoncés et corrections : Sandra Delaunay. Exercice 1 Soit A une matrice 2 2 à coefficients réels.

Exo7. Sujets de l année 2008-2009. 1 Partiel. Enoncés et corrections : Sandra Delaunay. Exercice 1 Soit A une matrice 2 2 à coefficients réels. Enoncés et corrections : Sandra Delaunay Exo7 Sujets de l année 28-29 1 Partiel Exercice 1 Soit A une matrice 2 2 à coefficients réels. On suppose a + c = b + d = 1 et a b 1. ( ) a b c d 1. Soient (x 1,x

Plus en détail

MÉTHODE DE MONTE CARLO.

MÉTHODE 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 détail

Théorème du point fixe - Théorème de l inversion locale

Théorème 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 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

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

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme

Plus en détail

Résolution de systèmes linéaires par des méthodes directes

Résolution de systèmes linéaires par des méthodes directes Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.

Plus en détail

3. Conditionnement P (B)

3. 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 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

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - 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 détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de

Plus en détail

3 Approximation de solutions d équations

3 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 détail

Université de Nantes Année 2009-2010 Faculté des Sciences et des Techniques Département de Mathématiques. Topologie et calculs différentiel Liste n 5

Université de Nantes Année 2009-2010 Faculté des Sciences et des Techniques Département de Mathématiques. Topologie et calculs différentiel Liste n 5 Université de Nantes Année 009-010 Faculté des Sciences et des Techniques Département de Mathématiques Topologie et calculs différentiel Liste n 5 Applications Différentiables Exercice 1. Soit f : R n

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

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

La 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 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 détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

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

CONCOURS 2015 Programme des classes préparatoires

CONCOURS 2015 Programme des classes préparatoires CONCOURS 2015 Programme des classes préparatoires Voie économique et commerciale option scientifique option économique option technologique Voie littéraire Filière B/L Lettres et Sciences Sociales Filière

Plus en détail

Correction de l examen de la première session

Correction de l examen de la première session de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi

Plus en détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration 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 détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES 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 détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Année 2008/2009 1 Décomposition QR On rappelle que la multiplication avec une matrice unitaire Q C n n (c est-à-dire Q 1 = Q = Q T ) ne change

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

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

MA6.06 : Mesure et Probabilités

MA6.06 : Mesure et Probabilités Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................

Plus en détail

Formes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions

Formes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte 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 détail

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry Outils mathématiques pour le datamining http://wwwelsewarefr/univevry Géométrie Distance Distance entre parties Matrice de variance/covariance Inertie Minimisation Probabilités Définition Théorème de Bayes

Plus en détail

Travaux dirigés d introduction aux Probabilités

Travaux 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 détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De 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 détail

Programme de mathématiques TSI1

Programme de mathématiques TSI1 Programme de mathématiques TSI1 1. PROGRAMME DE DÉBUT D ANNÉE I. Nombres complexes et géométrie élémentaire 1. Nombres complexes 1 2. Géométrie élémentaire du plan 3 3. Géométrie élémentaire de l espace

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

Espérance, variance, quantiles

Espérance, variance, quantiles Espérance, variance, quantiles Mathématiques Générales B Université de Genève Sylvain Sardy 22 mai 2008 0. Motivation Mesures de centralité (ex. espérance) et de dispersion (ex. variance) 1 f(x) 0.0 0.1

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

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader Terminale STMG O. Lader Table des matières 1 Information chiffrée (4s) 4 1.1 Taux d évolution....................................... 6 1.2 indices............................................. 6 1.3 Racine

Plus en détail

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique Télécom ParisTech, 09 mai 2012 http://www.mathematiquesappliquees.polytechnique.edu/ accueil/programmes/cycle-polytechnicien/annee-1/

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

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

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

Plus en détail

Chapitre 3. Mesures stationnaires. et théorèmes de convergence

Chapitre 3. Mesures stationnaires. et théorèmes de convergence Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée

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

X-ENS PSI - 2009 Un corrigé

X-ENS PSI - 2009 Un corrigé X-ENS PSI - 009 Un corrigé Première partie.. Des calculs élémentaires donnent χ A(α) = χ B(α) = X X + et χ A(α)+B(α) = X X + 4α + 4 On en déduit que Sp(A(α)) = Sp(B(α)) = {j, j } où j = e iπ 3 Sp(A(α)

Plus en détail

Cours de mathématiques - Alternance Gea

Cours de mathématiques - Alternance Gea Cours de mathématiques - Alternance Gea Anne Fredet 11 décembre 005 1 Calcul matriciel Une matrice n m est un tableau de nombres à n lignes( et m colonnes. 1 0 Par exemple, avec n = et m =, on peut considérer

Plus en détail

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy

Plus en détail

Que faire lorsqu on considère plusieurs variables en même temps?

Que faire lorsqu on considère plusieurs variables en même temps? Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites

Plus en détail

www.h-k.fr/publications/objectif-agregation

www.h-k.fr/publications/objectif-agregation «Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se

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

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

Cours d Analyse. Fonctions de plusieurs variables

Cours d Analyse. Fonctions de plusieurs variables Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........

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

Chapitre 2 Le problème de l unicité des solutions

Chapitre 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 détail

Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits.

Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits. Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits 1 La qualité de la rédaction est un facteur important dans l appréciation

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Statistique descriptive et prévision

Statistique descriptive et prévision Statistique descriptive et prévision Année 2010/2011 L. Chaumont Contents 1. Étude d une variable 5 1.1. Définitions................................ 5 1.2. Représentations graphiques usuelles................

Plus en détail

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin. Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).

Plus en détail

I3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300

I3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300 I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,

Plus en détail

Loi d une variable discrète

Loi d une variable discrète MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une

Plus en détail

Cours de mathématiques Partie IV Probabilités MPSI 4

Cours de mathématiques Partie IV Probabilités MPSI 4 Lycée Louis-Le-Grand, Paris Année 2013/2014 Cours de mathématiques Partie IV Probabilités MPSI 4 Alain TROESCH Version du: 30 mai 2014 Table des matières 1 Dénombrement 3 I Combinatoire des ensembles

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

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation 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 détail

Calcul fonctionnel holomorphe dans les algèbres de Banach

Calcul fonctionnel holomorphe dans les algèbres de Banach Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte

Plus en détail

4 Distributions particulières de probabilités

4 Distributions particulières de probabilités 4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli

Plus en détail

Tests 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 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 détail

Lois de probabilité. Anita Burgun

Lois de probabilité. Anita Burgun Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage

Plus en détail

MAP 311 - Aléatoire - PC 1. Probabilités

MAP 311 - Aléatoire - PC 1. Probabilités MAP 311 - Aléatoire - PC 1 Emmanuel Gobet Feuille de PC disponible en avance sur le site http://www.cmap.polytechnique.fr/~gobet/. Les exercices marqués ( ) sont corrigés dans le livre Aléatoire de S.

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

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

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

Leçon 6. Savoir compter

Leçon 6. Savoir compter Leçon 6. Savoir compter Cette leçon est une introduction aux questions de dénombrements. Il s agit, d une part, de compter certains objets mathématiques (éléments, parties, applications,...) et, d autre

Plus en détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat 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 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

Le modèle de Black et Scholes

Le 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 détail

Remise à niveau en processus stochastiques

Remise à niveau en processus stochastiques M2IR Université Claude Bernard Lyon 1 Année universitaire 212-213 Remise à niveau en processus stochastiques F. Bienvenüe-Duheille Le but de ce poly est de vous mettre à niveau sur les processus stochastiques

Plus en détail

Probabilités Loi binomiale Exercices corrigés

Probabilités Loi binomiale Exercices corrigés Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre

Plus en détail

Principales caractéristiques de Mixmod

Principales caractéristiques de Mixmod Modèle de mélanges Principales caractéristiques de Mixmod Gérard Govaert et Gilles Celeux 24 octobre 2006 1 Plan Le modèledemélange Utilisations du modèle de mélange Les algorithmes de Mixmod Modèle de

Plus en détail

Capes 2002 - Première épreuve

Capes 2002 - Première épreuve Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire

Plus en détail

Master de mathématiques Analyse numérique matricielle

Master de mathématiques Analyse numérique matricielle Master de mathématiques Analyse numérique matricielle 2009 2010 CHAPITRE 1 Méthodes itératives de résolution de systèmes linéaires On veut résoudre un système linéaire Ax = b, où A est une matrice inversible

Plus en détail

Notes de cours de Probabilités Appliquées. Olivier François

Notes de cours de Probabilités Appliquées. Olivier François Notes de cours de Probabilités Appliquées Olivier François 2 Table des matières 1 Axiomes des probabilités 7 1.1 Introduction................................. 7 1.2 Définitions et notions élémentaires.....................

Plus en détail

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème. I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous

Plus en détail

Théorie spectrale. Stéphane Maingot & David Manceau

Théorie spectrale. Stéphane Maingot & David Manceau Théorie spectrale Stéphane Maingot & David Manceau 2 Théorie spectrale 3 Table des matières Introduction 5 1 Spectre d un opérateur 7 1.1 Inversibilité d un opérateur........................... 7 1.2 Définitions

Plus en détail

P (X) = (X a) 2 T (X)

P (X) = (X a) 2 T (X) Université Bordeaux I - année 00-0 MHT0 Structures Algébriques Correction du devoir maison Exercice. Soit P (X) Q[X]\Q.. Soit D(X) := pgcd(p (X), P (X)). a) Montrer que si deg D alors il existe α C tel

Plus en détail

Un K-espace vectoriel est un ensemble non vide E muni : d une loi de composition interne, c est-à-dire d une application de E E dans E : E E E

Un K-espace vectoriel est un ensemble non vide E muni : d une loi de composition interne, c est-à-dire d une application de E E dans E : E E E Exo7 Espaces vectoriels Vidéo partie 1. Espace vectoriel (début Vidéo partie 2. Espace vectoriel (fin Vidéo partie 3. Sous-espace vectoriel (début Vidéo partie 4. Sous-espace vectoriel (milieu Vidéo partie

Plus en détail

Exo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.

Exo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2. Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3

Plus en détail

Différentiabilité ; Fonctions de plusieurs variables réelles

Différentiabilité ; Fonctions de plusieurs variables réelles Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2

Plus en détail

Variables Aléatoires. Chapitre 2

Variables Aléatoires. Chapitre 2 Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,

Plus en détail

Mathématiques financières

Mathématiques financières Mathématiques financières Arnaud Triay Table des matières 1 Introduction Position du problème.1 Pricing des options........................................... Formalisme..............................................

Plus en détail

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

Plus en détail

Probabilités et statistique. Benjamin JOURDAIN

Probabilités et statistique. Benjamin JOURDAIN Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad 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 détail

Utiliser les propriétés Savoir réduire un radical savoir +,-,x,: Utiliser les propriétés des puissances Calculer avec des puissances

Utiliser les propriétés Savoir réduire un radical savoir +,-,x,: Utiliser les propriétés des puissances Calculer avec des puissances ARITHMETIQUE 1 C B A Numération Ecrire en lettres et en chiffres Poser des questions fermées autour d un document simple (message, consigne, planning ) Connaître le système décimal Déterminer la position

Plus en détail

Correction du baccalauréat ES/L Métropole 20 juin 2014

Correction 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 détail