Modélisation stochastique, Processus stochastiques
|
|
- Laurence Josiane Rondeau
- il y a 8 ans
- Total affichages :
Transcription
1 Modélisation stochastique, 6 octobre / 54 Modélisation stochastique,
2 / 54 Modélisation stochastique,
3 Rappel : Variables aléatoires Exemple : Pièce de monnaie soit jetée trois fois. X(ω) : Nombre de faces. Ω = {FFF, FFP, FPF, PFF, FPP, PFP, PPF, PPP} Pour chaque issue ω Ω, X(ω) {0, 1, 2, 3}. on a X({PPP}) = 0 X({FPP}) = X({PFP}) = X({PPF}) = 1 X({FFP}) = X({FPF}) = X({PFF}) = 2 X({FFF}) = 3 3 / 54 Modélisation stochastique,
4 Variable aléatoire dépendant du temps : X t (ω) stochastique : X = (X t (ω) : t T), Discret si T = N = {0, 1, 2, 3,...} ou T = Z = {..., 2, 1, 0, 1, Continu si T = R ou T = R + Remarque : Le processus peut être à états ou à états. Notation d un processus discret : X = (X n : n Z) ou X = (X n : n N) 4 / 54 Exemple : Pièce de monnaie soit jetée n fois : discret à états. Modélisation stochastique,
5 (2) stochastique : X = (X t (ω) : t T) Remarques : Si t ou n est fixé, Le processus stochastique est une variable aléatoire. Si ω Ω est fixé, nous avons une fonction du temps. 5 / 54 Modélisation stochastique,
6 Exemple processus stochastique discret de Bernoulli : X = (X n : n N) est une collection de variables aléatoires indépendantes avec P(X n = 1) = p et P(X n = 0) = 1 p, 0 p 1. FIGURE: Séquence particulière d un processus de Bernoulli 6 / 54 Modélisation stochastique,
7 Exemples (2) Remarque : L espace fondamental doit être suffisamment grand ({0, 1} N si n = 0, 1, 2,..., N) pour comprendre toutes les séquences possibles car à chaque ω doit correspondre une séquence (par exemple comme montré à la figure précédente). Exemple : {Y n, n 1} indépendantes avec P(Y n = 1) = p P(Y n = 1) = 1 p Marche aléatoire ("random walk") : 7 / 54 X = (X n = n i=1 Y i) avec n 1 Modélisation stochastique,
8 Espérance mathématique discret à états : E(X n ) = µ X (n) = x i.p(x n = x i ) discret à états : E(X n ) = µ X (n) = x.f X(x, n)dx 8 / 54 Modélisation stochastique,
9 Exemple Marche aléatoire : Nous avons X n = n i=1 Y i, n 1, P(Y n = 1) = p P(Y n = 1) = 1 p 9 / 54 donc E[X n ] = E[ n i=1 Y i] = E[Y 1 ] E[Y n ] = n.e[y 1 ]= n(1 p + ( 1) (1 p)) = n(2p 1) Modélisation stochastique,
10 Corrélation Fonction d autocorrélation : Espérance mathématique du produit : X m X n R XX (m, n) = R X (m, n) = E[X m.x n ] = E[X n.x m ] = R X (n, m) 10 / 54 Modélisation stochastique,
11 Corrélation (2) Observations : R X (n, n) = E[X n.x n ] = E[X 2 n] 0 si n = m. E[X 2 n] représente la puissance moyenne de X n (ou de X m ). Fonction de corrélation : R XY (m, n) = E[X m Y n ] 11 / 54 Modélisation stochastique,
12 Exemple 12 / 54 Auto-corrélation d une marche aléatoire Nous avons R X (m, n) = E[X m.x n ] En remplaçant les variables aléatoires X n = n i=1 Y i = n i=0 Y i, Y 0 = 0, nous trouvons m E[X m.x n ] = E[ Y i. = = m i=0 i=0 j=0 min(n,m) i=0 n Y j ] j=0 n E[Y i Y j ] E[Y 2 i ] + n m i=0 j=0,j i E[Y i ]E[Y j ] Modélisation stochastique,
13 Exemple (2) et comme E[Y 2 k ] = 1 E[Y k ] = 2p 1 nous obtenons R X (m, n) = min(n, m) + [nm min(n, m)](2p 1) 2 13 / 54 Modélisation stochastique,
14 Covariance Fonction d autocovariance : Espérance mathématique du produit : (X m µ X (m))(x n µ X (n)) Cov XX (m, n) = Cov X (m, n) = E[(X m µ X (m))(x n µ X (n))] 14 / 54 Modélisation stochastique,
15 Covariance (2) Observations : Lorsque m = n : Cov X (m, n) = E[(X m µ X (m)) 2 ] = Var(X m ) Si µ X (n) = µ X (m) = µ X, alors Cov X (m, n) = R X (m, n) µ 2 X Cov X (0) = σ 2 X R X (0) = σ 2 X + µ2 X 15 / 54 Modélisation stochastique,
16 Techniques de corrélation (1) 16 / 54 Modélisation stochastique,
17 Techniques de corrélation (2) 17 / 54 Modélisation stochastique,
18 Techniques de corrélation (3) 18 / 54 Modélisation stochastique,
19 Techniques de corrélation (4) 19 / 54 Modélisation stochastique,
20 Exemples en mécanique et en sciences de l environnement Réponse d un building dans le sens du vent. Bien choisir le modèle pour le vent! 20 / 54 Modélisation stochastique,
21 Exemples en mécanique et en sciences de l environnement Réponse d un building dans le sens du vent. Bien choisir le modèle pour le vent! Réponse d un avion à la turbulence atmosphérique 20 / 54 Modélisation stochastique,
22 Exemples en mécanique et en sciences de l environnement Réponse d un building dans le sens du vent. Bien choisir le modèle pour le vent! Réponse d un avion à la turbulence atmosphérique Analyse spectrale d accélérogrammes sismiques 20 / 54 Modélisation stochastique,
23 Exemples en mécanique et en sciences de l environnement Réponse d un building dans le sens du vent. Bien choisir le modèle pour le vent! Réponse d un avion à la turbulence atmosphérique Analyse spectrale d accélérogrammes sismiques Ruine par fatique entraîné par des oscillations aléatoires 20 / 54 Modélisation stochastique,
24 Exemples en mécanique et en sciences de l environnement Réponse d un building dans le sens du vent. Bien choisir le modèle pour le vent! Réponse d un avion à la turbulence atmosphérique Analyse spectrale d accélérogrammes sismiques Ruine par fatique entraîné par des oscillations aléatoires Fiabilité de systèmes avec différentes configurations 20 / 54 Modélisation stochastique,
25 Exemples en mécanique et en sciences de l environnement Réponse d un building dans le sens du vent. Bien choisir le modèle pour le vent! Réponse d un avion à la turbulence atmosphérique Analyse spectrale d accélérogrammes sismiques Ruine par fatique entraîné par des oscillations aléatoires Fiabilité de systèmes avec différentes configurations Prédiction des tremblements de terre à partir de signaux bruités 20 / 54 Modélisation stochastique,
26 Exemples en mécanique et en sciences de l environnement 20 / 54 Réponse d un building dans le sens du vent. Bien choisir le modèle pour le vent! Réponse d un avion à la turbulence atmosphérique Analyse spectrale d accélérogrammes sismiques Ruine par fatique entraîné par des oscillations aléatoires Fiabilité de systèmes avec différentes configurations Prédiction des tremblements de terre à partir de signaux bruités Calcul de la hauteur maximale des vagues en plein océan durant une tempête Modélisation stochastique,
27 Exemples en mécanique et en sciences de l environnement (2) Calcul de facteurs de charge pour des colonnes porteuses (bâtiments) 21 / 54 Références principales Vibrations aléatoires et Analyse spectrale, A. Preumont, PPUR. Probability and Statistics in Engineering, MIT Course. Modélisation stochastique,
28 Exemples en mécanique et en sciences de l environnement (2) Calcul de facteurs de charge pour des colonnes porteuses (bâtiments) Mesure de l élévation d un satellite à l aide de mesures bruitées 21 / 54 Références principales Vibrations aléatoires et Analyse spectrale, A. Preumont, PPUR. Probability and Statistics in Engineering, MIT Course. Modélisation stochastique,
29 Exemples en mécanique et en sciences de l environnement (2) Calcul de facteurs de charge pour des colonnes porteuses (bâtiments) Mesure de l élévation d un satellite à l aide de mesures bruitées Prédiction de températures journalières sur la base de plusieurs observations passées 21 / 54 Références principales Vibrations aléatoires et Analyse spectrale, A. Preumont, PPUR. Probability and Statistics in Engineering, MIT Course. Modélisation stochastique,
30 Exemples en mécanique et en sciences de l environnement (2) Calcul de facteurs de charge pour des colonnes porteuses (bâtiments) Mesure de l élévation d un satellite à l aide de mesures bruitées Prédiction de températures journalières sur la base de plusieurs observations passées Calculs de la stabilité des sols dans différents endroits du monde 21 / 54 Références principales Vibrations aléatoires et Analyse spectrale, A. Preumont, PPUR. Probability and Statistics in Engineering, MIT Course. Modélisation stochastique,
31 Exemples en mécanique et en sciences de l environnement (2) Calcul de facteurs de charge pour des colonnes porteuses (bâtiments) Mesure de l élévation d un satellite à l aide de mesures bruitées Prédiction de températures journalières sur la base de plusieurs observations passées Calculs de la stabilité des sols dans différents endroits du monde Influence d El Nino sur la hauteur et le débit du Nil. 21 / 54 Références principales Vibrations aléatoires et Analyse spectrale, A. Preumont, PPUR. Probability and Statistics in Engineering, MIT Course. Modélisation stochastique,
32 Stationarité Stationarité stricte : {X n1, X n2,..., X nl } a la même distribution conjointe que {X n1 +m, X n2 +m,..., X nl +m} Stationarité au sens large (Wide Sense Stationary : WSS) : µ X (n) = E[X n ] = µ X (constante) Var(X n ) = σ 2 (constante) 22 / 54 Modélisation stochastique,
33 Stationarité (2) Implications : R X (m, n) = R X ( τ ) Cov X (m, n) = R X ( τ ) µ 2 X R X (0) = E[X 2 n] R X (τ) R X (0) 23 / 54 Modélisation stochastique,
34 Exemple Soit un processus stochastique composé d une séquence de variables aléatoires X = (X n : n Z) ayant une espérance mathématique nulle et une variance de 1. E[X(n)] = 0 pour tout n. La fonction d auto-corrélation est donnée par R X (m, n) = E[X m X n ] = E[X m ]E[X n ] = 0 lorsque m n 0 et égale à R X (m, n) = E[X m X n ] = E[X 2 m] = 1 lorsque m = n. Elle ne dépend que de m n donc le processus est WSS. 24 / 54 Modélisation stochastique,
35 Exemple (2) Soit un processus stochastique X = (X n : n N) composé de la somme d un certain nombre de variables aléatoires Y i, i 0, iid, d espérance mathématique nulle et de variance égale à 1, Y 0 + Y Y n. Est-ce que ce processus est stationnaire au sens large? Le calcul de l espérance mathématique du processus montre que E[X n ] = E[Y 0 ] + E[Y 1 ] E[Y n ] = 0. La variance du processus E[X 2 n] = = n donc le processus n est pas stationnaire au sens large. 25 / 54 Modélisation stochastique,
36 Ergodicité Ergodicité : Soit un processus stochastique stationnaire X = (X n : n Z) au sens large avec m n m (par commodité). Alors il est ergodique si lim ˆµ X(m) = E[X n ] m avec ˆµ X (m) = m m i= m X i 26 / 54 Modélisation stochastique,
37 Exemple stochastique : X n = A, avec E[A] = 0, Var(A) = 1. Nous avons E[X n ] = E[A] = 0. Cependant, lorsque nous estimons la moyenne, nous trouvons que 27 / 54 1 ˆµ X (m) = lim m 1 + 2m m i= m A = A Donc ce processus stochastique est stationnaire sans être ergodique. Modélisation stochastique,
38 Densité spectrale de puissance Remarque : Un processus stochastique stationnaire au sens large X est un signal à énergie infinie et donc sa transformée de Fourier ne peut pas exister. Conséquence : Pour trouver les caractéristiques spectrales d un signal stochastique on va donc calculer la transformée de Fourier de sa fonction d auto-corrélation S X (f ) = R X (k)e j2πfk k= 28 / 54 Modélisation stochastique,
39 Variable aléatoire dépendant du temps : X t (ω) stochastique : X = (X t (ω) : t T), Discret si T = N = {0, 1, 2, 3,...} ou T = Z = {..., 2, 1, 0, 1, Continu si T = R ou T = R + Remarque : Le processus peut être à états ou à états. Notation d un processus discret : X = (X n : n Z) ou X = (X n : n N) 29 / 54 Modélisation stochastique,
40 Exemple de processus stochastique continu Soit un processus stochastique X tel que X t = Y cos(2πf 0 t) où Y est une variable aléatoire uniformément distribuée sur l intervalle [0, 1] f 0 est une constante et t / 54 Le processus stochastique est à temps et à états. Modélisation stochastique,
41 Espérance mathématique continu à états : E[X t ] = µ X (t) = x i.p(x t = x i ) continu à états : E[X t ] = µ X (t) = x.f X(x, t)dx 31 / 54 Modélisation stochastique,
42 Exemple stochastique : X t = Y cos(2πf 0 t) avec Y : variable aléatoire uniformément distribuée sur l intervalle [0, 1] f 0 : constante t 0 L espérance mathématique du processus stochastique est donnée par E[X t ] = E[Y cos(2πf 0 t)] = E[Y] cos(2πf 0 t) = 1 2 cos(2πf 0t) 32 / 54 Modélisation stochastique,
43 Exemple (2) 33 / 54 FIGURE: Réalisations de X t en fonction du temps, avec f 0 = 10, pour différentes valeurs de Y Modélisation stochastique,
44 Corrélation Fonction d autocorrélation : Espérance mathématique du produit : X t X s R XX (t, s) = R X (t, s) = E[X t X s ] = x tx s f Xt,Xs (x t x s )dt.ds 34 / 54 Modélisation stochastique,
45 Corrélation (2) Observations : R X (t, t) = E[X t.x t ] = E[X 2 t ] = E[s 2 ] 0 si t = s. E[X 2 t ] représente la puissance moyenne de X n (ou de X m ). Fonction de corrélation : R XY (t, s) = E[X t Y s ] 35 / 54 Modélisation stochastique,
46 Exemple X t = A cos(2πf 0 t + φ) φ : variable aléatoire qui prend la valeur de 0 avec une probabilité de p et la valeur de π avec une probabilité de 1 p. Réalisations : X t = A cos(2πf 0 t) avec une probabilité p, φ = 0. X t = A cos(2πf 0 t + π) = A cos(2πf 0 t) avec une probabilité 1 p, φ = π. 36 / 54 Modélisation stochastique,
47 Exemple (2) 37 / 54 X t pour φ = 0 et pour φ = π en fonction du temps, avec f 0 = 10 et A = 2 Modélisation stochastique,
48 Exemple (3) La fonction d auto-corrélation est égale à R X (s, t) = E[X t X s ] = p.e[a cos(2πf 0 t)a cos(2πf 0 s)] + (1 p)e[a cos(2πf 0 t + π)a cos(2πf 0 s + π)] = p.e[a 2 cos(2πf 0 t) cos(2πf 0 s)] + (1 p)e[a 2 cos(2πf 0 t) cos(2πf 0 s)] = E[A 2 cos(2πf 0 t) cos(2πf 0 s)] = A 2. cos(2πf 0 t) cos(2πf 0 s) = A2 2 [cos(2πf 0(t + s)) + cos(2πf 0 (t s))] 38 / 54 Modélisation stochastique,
49 Covariance Fonction d autocovariance : Espérance mathématique du produit : (X t µ X (t))(x s µ X (s)) Cov XX (t, s) = Cov X (t, s) = E[(X t µ X (t))(x s µ X (s))] 39 / 54 Modélisation stochastique,
50 Covariance (2) Observations : Lorsque t = s : Cov X (t, s) = E[(X t µ X (t)] 2 = Var(X t ) Si µ X (t) = µ X (s), alors Cov X (m, n) = R X (m, n) µ 2 X Cov X (0) = σ 2 X R X (0) = σ 2 X + µ2 X 40 / 54 Modélisation stochastique,
51 Exemple X t = Y cos(2πf 0 t) Y est une variable aléatoire uniformément distribuée sur l intervalle [0, 1] ; f 0 est une constante et t 0 Fonction d auto-corrélation : R X (s, t) = E[X t X s ] = E[Y 2 cos(2πf 0 t) cos(2πf 0 s)] = E[Y 2 ] cos(2πf 0 t) cos(2πf 0 s) = 1 3 cos(2πf 0t) cos(2πf 0 s) 41 / 54 Modélisation stochastique,
52 Exemple (2) Fonction d auto-covariance : Cov X (s, t) = E[X t X s ] E[X t ]E[X s ] = 1 3 cos(2πf 0t) cos(2πf 0 s) 1 2 cos(2πf 0t) 1 2 cos(2πf 0s) = 1 12 cos(2πf 0t) cos(2πf 0 s) 42 / 54 Modélisation stochastique,
53 Stationarité Stationarité stricte : {X t1, X t2,..., X tl } a la même distribution conjointe que {X t1 +h, X t2 +h,..., X tl +h} Stationarité au sens large (Wide Sense Stationary : WSS) : µ X (t) = E[X t ] = µ X (constante) Var(X t ) = σ 2 (constante) 43 / 54 Modélisation stochastique,
54 Stationarité (2) Implications : R X (t, s) = R X ( τ ) Cov X (t, s) = R X ( τ ) µ 2 X R X (0) = E[X 2 t ] R X (τ) R X (0) 44 / 54 Modélisation stochastique,
55 Ergodicité Soit un processus stochastique X = (X t stationnaire au sens large, T t T (par commodité), alors il est ergodique en moyenne si : lim T ˆµ x (T) = E[X t ] avec ˆµ x (T) = 1 T x t dt 2T T 45 / 54 Modélisation stochastique,
56 Densité spectrale de puissance Remarque : Un processus stochastique stationnaire au sens large est un signal à énergie infinie et donc sa transformée de Fourier ne peut pas exister. Conséquence : Pour trouver les caractéristiques spectrales d un signal stochastique on va donc calculer la transformée de Fourier de sa fonction d auto-corrélation. S X (f ) = R X(τ)e j2πf τ dτ 46 / 54 Modélisation stochastique,
57 Densité spectrale de puissance (2) 47 / 54 Fonction d auto-corrélation : R X (τ) = S X (f )e j2πf τ df Relations de Wiener-Khintchine (Einstein). Propriétés : 1 S X (0) = R X(τ)dτ 2 E[X 2 (t)] = R X (0) = S X(f )df 3 S X (f ) 0 pour tout f 4 S X (f ) = S X ( f ) 5 p X (f ) = S X (f )/ S X(f )df Modélisation stochastique,
58 Exemple Fonction d auto-corrélation (voir p.54 cours) R X (t, s) = A2 2 cos(2πf 0(t s)) = A2 2 cos(2πf 0τ) Notons δ(f ) la fonction delta à f = 0. En prenant la transformée de Fourier : S X (f ) = = R X (τ)e j2πf τ dτ A 2 2 cos(2πf 0τ)e j2πf τ dτ = A2 4 (δ(f f 0) + δ(f + f 0 )) 48 / 54 Modélisation stochastique,
59 Application : Comparaison de différents modes transmission Séquence de bits FIGURE: Modes de transmission NRZ et Manchester 49 / 54 Modélisation stochastique,
60 Application : Comparaison de différents modes transmission (2) Commençons par NRZ. La densité de probabilité d un tel processus stochastique est donnée par p X (x) = P(X = x 0 )δ(x x 0 ) + P(X = x 1 )δ(x x 1 ) avec P(X = x 0 ) + P(X = x 1 ) = 1. Une fois connue la densité, il est aisé de déduire l espérance mathématique E[X], ainsi que E[X 2 ] : E[X] = x 0.P(X = x 0 ) + x 1.P(X = x 1 ) = µ X E[X 2 ] = x 2 0.P(X = x 0 ) + x 2 1.P(X = x 1 ) = σ 2 X + µ2 X 50 / 54 Modélisation stochastique,
61 Application : Comparaison de différents modes transmission (3) On peut montrer (exercice) que la fonction d auto-corrélation est égale à R X (τ) = σ 2 X.(1 τ /T) + µ2 X = σ2 X.tri(τ/T) + µ2 X et que la densité spectrale de puissance est donnée par : S X (f ) = σ 2 X.Tsinc2 (ft) + µ 2 X.δ(f ) 51 / 54 Modélisation stochastique,
62 Application : Comparaison de différents modes transmission (4) Manchester : Les symboles 0 et 1 sont représentés par une transition au milieu d une période d horloge. Un 1 est représenté par une transition du niveau haut au niveau bas et un 0 est représenté par une transition du niveau bas au niveau haut. Après quelques calculs (exercice), nous trouvons la fonction d auto-corrélation : R X (τ) = A 2 (2(1 2 τ /T) ((1 2 τ /T)) et la densité spectrale de puissance est donnée par S X (τ) = A 2 T(sinc 2 (ft/2) sinc 2 (ft)) 52 / 54 Modélisation stochastique,
63 Application : Comparaison de différents modes transmission (5) 53 / 54 FIGURE: Densités spectrales de puissance pour les modes de transmission NRZ et Manchester. Les signaux sont anti-polaires et l apparition des bits 0 et 1 est équiprobable. Modélisation stochastique,
64 Application : Comparaison de différents modes transmission (6) Commentaires : Sur les lignes traditionnelles, il est souvent nécessaire d éviter une composante continue pour éviter les couplages. Manchester plus avantageux mais prend plus de place dans le domaine fréquentiel. Le réseau Ethernet utilise le code de transmission de Manchester. 54 / 54 Modélisation stochastique,
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 détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailCommunications numériques
Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailTD 1 - Transmission en bande de passe
Claude Duvallet Université du Havre UFR Sciences et Techniques 25 rue Philippe Lebon - BP 540 76058 LE HAVRE CEDEX Claude.Duvallet@gmail.com Claude Duvallet 1/10 Transmission en bande de passe (1/2) Description
Plus en détail4 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 détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailLEÇON 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 détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes cnrs supélec ups supélec, Plateau de Moulon, 9119 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailCouples 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 détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailVariables 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 détailExercices - 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 détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailLES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION
LES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION LES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION ) Caractéristiques techniques des supports. L infrastructure d un réseau, la qualité de service offerte,
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailLoi 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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailUNIVERSITE DE TECHNOLOGIE DE COMPIEGNE. Le Traitement du Signal aléatoire
UNIVERSITE DE TECHNOLOGIE DE COMPIEGNE Le Traitement du Signal aléatoire SY06 partie II - Printemps 2009 P.Simard 12 mai 2009 2 Table des matières 1 Besoins de modèles aléatoires pour les signaux 5 2 Principaux
Plus en détailQue 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 détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailProgrammes 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 détailTransmission des signaux numériques
Transmission des signaux numériques par Hikmet SARI Chef de Département d Études à la Société Anonyme de Télécommunications (SAT) Professeur Associé à Télécom Paris. Transmission en bande de base... E
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailJ AUVRAY Systèmes Electroniques TRANSMISSION DES SIGNAUX NUMERIQUES : SIGNAUX EN BANDE DE BASE
RANSMISSION DES SIGNAUX NUMERIQUES : SIGNAUX EN BANDE DE BASE Un message numérique est une suite de nombres que l on considérera dans un premier temps comme indépendants.ils sont codés le plus souvent
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailChapitre 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 détail2 TABLE DES MATIÈRES. I.8.2 Exemple... 38
Table des matières I Séries chronologiques 3 I.1 Introduction................................... 3 I.1.1 Motivations et objectifs......................... 3 I.1.2 Exemples de séries temporelles.....................
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailProbabilités 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 détailLois 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 détailContents. 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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
Plus en détailModèles 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 détailChapitre I La fonction transmission
Chapitre I La fonction transmission 1. Terminologies 1.1 Mode guidé / non guidé Le signal est le vecteur de l information à transmettre. La transmission s effectue entre un émetteur et un récepteur reliés
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailUniversité de La Rochelle. Réseaux TD n 6
Réseaux TD n 6 Rappels : Théorème de Nyquist (ligne non bruitée) : Dmax = 2H log 2 V Théorème de Shannon (ligne bruitée) : C = H log 2 (1+ S/B) Relation entre débit binaire et rapidité de modulation :
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailMTH 2301 Méthodes statistiques en ingénierie. MTH 2301 Méthodes statistiques en ingénierie
VARIABLES ALÉATOIRES déo oco de réro vrble léore dscrèe moyee - vrce - écr ye esérce mhémque vrble léore coue oco d ue vrble léore : rsormo combso lére de vrbles léores Déo E : eérece léore S : esce échllol
Plus en détail1 Comment faire un document Open Office /writer de façon intelligente?
1 Comment faire un document Open Office /writer de façon intelligente? 1.1 Comment fonctionne un traitement de texte?: les balises. Un fichier de traitement de texte (WRITER ou WORD) comporte en plus du
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailEMETTEUR ULB. Architectures & circuits. Ecole ULB GDRO ESISAR - Valence 23-27/10/2006. David MARCHALAND STMicroelectronics 26/10/2006
EMETTEUR ULB Architectures & circuits David MARCHALAND STMicroelectronics 26/10/2006 Ecole ULB GDRO ESISAR - Valence 23-27/10/2006 Introduction Emergence des applications de type LR-WPAN : Dispositif communicant
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailWeb Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.
Web Science Master 1 IFI Andrea G. B. Tettamanzi Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.fr 1 Annonce : recherche apprenti Projet Géo-Incertitude Objectifs
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailAdressage des données des contrôleurs du WAGO-I/O-SYSTEM 750. Note d application
Adressage des données des contrôleurs du WAGO-I/O-SYSTEM 750, Français Version 2.1.0 23/12/2003 ii General Copyright 2001 by WAGO Kontakttechnik GmbH Tous droits réservés. WAGO Kontakttechnik GmbH Hansastraße
Plus en détailI. 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 détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailUn modèle stochastique du taux d intérêt implicite en microcrédit
Un modèle stochastique du taux d intérêt implicite en microcrédit PHEAKDEI MAUK, MARC DIENER LABORATOIRE J.A. DIEUDONNÉ Dixième colloque des jeunes probabilistes et statisticiens CIRM Marseille 16-20 avril
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailGuidance de Statistique : Epreuve de préparation à l examen
Guidance de Statistique : Epreuve de préparation à l examen Durée totale : 90 min (1h30) 5 questions de pratique (12 pts) 20 décembre 2011 Matériel Feuilles de papier De quoi écrire Calculatrice Latte
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailProcessus Aléatoires
Processus Aléatoires Luc Deneire Iannis Aliferis École Polytechnique de l Université de Nice Sophia Antipolis Polytech Nice Sophia,, 29 21 deneire@unice.fr Ce document contient une grande partie des informations
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailI. 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 détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailCours de probabilité et statistique
Cours de probabilité et statistique 0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0-4 -3-2 -1 0 1 2 3 4 Denis Bichsel 1 1 Probabilité et statistique 1.1 Introduction Le calcul des probabilité semble avoir son origine
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détailCapes 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