Estimation par vraisemblance

Dimension: px
Commencer à balayer dès la page:

Download "Estimation par vraisemblance"

Transcription

1 Chapitre 4 Estimatio par vraisemblace Le procédé de costructio des estimateurs par isertio a été itroduit das le chapitre 2. L objectif de ce chapitre est d étudier ue autre méthode de costructio, basée sur le pricipe ituitif suivat : le paramètre icou est proche d u paramètre pour lequel l observatio est la plus probable ou, e d autres termes, la plus vraisemblable. Das tout le chapitre, (H,{P } Θ ) est u modèle statistique domié par ue mesure σ-fiie µ, avec H R k et Θ R d. 4. Vraisemblace Lorsque H est discret, la probabilité que l échatillo (X,,X ) P soit égal à (x,,x ) H représete le degré de vraisemblace de cette observatio pour la loi P. E étedat ce poit de vue à tous les modèles, o obtiet le cocept de vraisemblace défii ci-dessous. Défiitio. La vraisemblace du modèle (H,{P } Θ ) est l applicatio L : H Θ R + telle que, pour chaque Θ, L (.;) : H R + est u élémet de la classe d équivalece de la desité de P par rapport à µ. Remarque. L existece de la vraisemblace est assurée par le théorème de Rado-Nikodỳm. Par abus, ous parlos de "la" vraisemblace bie qu elle e soit pas uique, car il e s agit que d ue versio de la desité de P par 37

2 38 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE rapport à l ue des mesures domiates du modèle statistique. Das tout le chapitre, la vraisemblace du modèle (H,{P } Θ ) pour la mesure domiate µ est otée L. Exemples. Das le modèle statistique ({0,},{B() } ]0,[ ) du jeu de pile ou face, qui est domié par la mesure (δ 0 +δ ), la vraisemblace L vaut L (x,,x ;)= x ( ) ( x ), pour (x,,x ) {0,} et ]0,[. Das le modèle statistique (R,{N (m,σ 2 ) } m R,σ>0 ), qui est domié par la mesure de Lebesgue sur R, la vraisemblace L vaut L (x,,x ;m,σ 2 )= ( 2πσ 2 ) exp pour (x,,x ) R, m R et σ > 0. (x i m) 2 2σ 2, Propositio 4... Pour tous Θ, L (.;) > 0 P -p.s. Preuve. Puisque dp = L (.;)dµ, 0 P L (.;) 0 = {L (.;) 0} L (.;)dµ 0. L expressio de la vraisemblace est simple das le cas d u modèle à échatilloage idépedat, comme e témoige le résultat qui suit. Propositio Soit L la vraisemblace du modèle (H,{Q } Θ ) domié par la mesure ν. Si, pour chaque Θ, P = Q, alors la foctio L : H Θ R (x,,x,) L(x i ;), est la vraisemblace du modèle (H,{P } Θ ) pour la mesure domiate µ = ν.

3 4.2. MAXIMUM DE VRAISEMBLANCE 39 Preuve. Il suffit de remarquer que, pour chaque Θ, l applicatio (x,,x ) L(x i ;), défiie sur H est ue versio de la desité de Q 4.2 Maximum de vraisemblace par rapport à µ = ν. Das l exemple du jeu de pile ou face de la sectio. décrit par le modèle statistique ({0,},{B() } ]0,[ ), les lacers de pièce ot fouri ue observatio (x,,x ) {0,}, réalisatio de la loi B( 0 ). Ituitivemet, il est aturel de cosidérer que la probabilité sous B() de l observatio est élevée lorsque est proche de 0. Cette idée est formalisée de la maière suivate : si L est la vraisemblace du modèle, ue valeur du paramètre qui s ajuste à l observatio est das l esemble des maxima de la foctio [0, ] R L (x,,x ;), car L (x,,x ;) représete la probabilité qu u échatillo de loi B() soit égal à (x,,x ). Ce pricipe de costructio des estimateurs s exporte au cas des modèles cotius, par exemple (R,{N (,) } R ). Pour l observatio (x,,x ) géérée selo la loi N (0,), la courbe de la foctio (2π) /2 exp 2 (x i ) 2, est alors maximale e u poit proche de 0, comme le motre le graphique ci-dessus. Ce pricipe ituitif ous amèe à choisir comme estimateur du paramètre du modèle u paramètre qui maximise la vraisemblace. C est le cocept d estimateur du maximum de vraisemblace.

4 40 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE Défiitio. U estimateur du maximum de vraisemblace (EMV) est u estimateur ˆ qui vérifie : L.; ˆ(.) = sup L (.;) µ-p.p. Θ Noter que i l existece, i l uicité des EMV e sot e gééral acquises. Remarques. L EMV oté ˆ est doc u estimateur du paramètre du modèle. Si le paramètre d itérêt est g(), avec g ue foctio boréliee coue défiie sur Θ, o dira par abus que g( ˆ) est l EMV de g(). Das le cas d u modèle statistique à échatilloage idépedat, i.e. P = Q Θ, chaque Q état ue probabilité sur (H,B(H )), o préfère calculer l EMV e maximisat la log-vraisemblace, c est-àdire le logarithme de la vraisemblace, plutôt que la vraisemblace. E effet, d après la propositio 4..2, si L désige la vraisemblace du modèle (H,{Q } Θ ), la log-vraisemblace du modèle (H,{Q } Θ ) s écrit : ll (x,,x ;)= ll(x i ;), pour (x,,x ) H et Θ. L itérêt pratique est clair, l étape de maximisatio état e pricipe plus facile à meer. Exemple. Das l étude statistique du jeu de pile ou face de la sectio., la vraisemblace du modèle ({0,},{B() } ]0,[ ) est otée L, et sa logvraisemblace s écrit ll (x,,x ;)= x l + ( x )l( ), pour (x,,x ) {0,} et ]0,[. Lorsque x est différet de 0 et de, ue étude de foctio motre que x réalise le maximum de la foctio ll (x,,x ;), défiie sur ]0,[. Efi, pour x {0,} : L (x,,x ; x )= sup L (x,,x ;). ]0,[ Si (X,,X ) B(), l EMV est doc la moyee empirique X.

5 4.3. INFORMATION DE KULLBACK-LEIBLER Iformatio de Kullback-Leibler U outil fodametal das l étude des EMV est l iformatio de Kullback- Leibler : Défiitio. Supposos que ll (.;α) L (P ) pour chaque α, Θ. L iformatio de Kullback-Leibler etre les lois P α et P est défiie par : κ (α,)= E l L (.;α) L (.;). Das la suite, l iformatio de Kullback-Leibler est évoquée que lorsque les coditios de cette défiitio sot implicitemet satisfaites. L iformatio de Kullback-Leibler est ue mesure de la dissimilarité etre deux probabilités -P α et P das la défiitio-, qui trouve so origie otammet das la théorie de l iformatio. Exemple. Calculos l iformatio de Kullback-Leibler κ das le modèle statistique ({0,},{B() } ]0,[ ) du jeu de pile ou face de la sectio.. La vraisemblace de ce modèle a été calculée das la sectio 4.. Pour α, ]0,[ et (X,,X ) P = B() : κ (α,) = E X l α + ( X )l α = l + ( )l α α, car E X =. Propositio Supposos que le modèle statistique (H,{P } Θ ) est idetifiable, d iformatio de Kullback-Leibler κ. Alors, pour chaque α, Θ, κ (α,) 0 et de plus κ (α,)=0 α =. La valeur iformative de l iformatio de Kullback-Leibler apparaît das cette propositio, e permettat d idetifier le paramètre icou e tat

6 42 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE que seule solutio de l équatio κ (.,)=0. Preuve. Il est clair que κ (,) =0. Soiet doc α =. La foctio t lt défiie sur R + état covexe, l iégalité de Jese doe κ (α,) = l L (.;α) H L (.;) dp L (.;α) l H L (.;) dp = l L (.;α)dµ, H car dp = L (.;)dµ. Or, H L (.;α)dµ = P α (H )= d où κ (α,) 0. Supposos maiteat que κ (α,)=0. L iégalité l L (.;α) H L (.;) dp L (.;α) l H L (.;) dp, obteue plus haut est alors u cas d égalité das l iégalité de Jese. Comme t lt défiie sur R + est strictemet covexe, il existe C R + tel que L (.;α)=cl (.;) P -p.s. Par suite, pour tout borélie A H : P α (A)= A L (.;α)dµ = A L (.;α) L (.;) dp = CP (A). O e déduit que C = (predre A = H ) et doc que P = P α, ce qui cotredit l idetifiabilité du modèle. E coclusio, κ (α,) =0 seulemet si α =. 4.4 Cosistace Seul le cas d u échatilloage idépedat est abordé das cette sectio, i.e. P = Q Θ, chaque Q état ue probabilité sur (H,B(H )). Das la suite, L désige la vraisemblace du modèle (H,{Q } Θ ) domié par la mesure ν. La vraisemblace L du modèle (H,{P } Θ ) domié par µ = ν s écrit doc, d après la propositio 4..2 : L (x,,x ;)= L(x i ;),

7 4.4. CONSISTANCE 43 pour (x,,x ) H et Θ. Théorème Supposos que le modèle statistique (H,{Q } Θ ) est idetifiable avec Θ boré, et que pour chaque x H, la foctio ll(x;.) est prologeable à l adhérece Θ de Θ. Si l EMV du modèle (H,{P } Θ ) existe, il est cosistat sous les coditios supplémetaires suivates : (i) x H, ll(x;.) est cotiue sur Θ ; (ii) Θ, il existe u voisiage V de et H L (Q ) tels que sup ll(.;α) H. α V Remarque. Lorsque le paramètre d itérêt du modèle (H,{P } Θ ) est g() avec g : Θ R p ue foctio cotiue coue, l EMV g( ˆ) de g() est cosistat sous les coditios du théorème Das la costructio de la démarche statistique, l itérêt de ce théorème est de motrer que l idée de maximisatio de la vraisemblace est pertiete. Cepedat, ses hypothèses sot très techiques et o optimales. E pratique, pour motrer que l EMV est cosistat, il e faut doc pas exclure ue preuve adaptée au modèle statistique et utilisat pas ce théorème ; c est le cas das l exemple ci-dessous. Exemple. Cosidéros le modèle statistique (R +,{E() } >0 ). Pour > 0 et (X,,X ) E(), la vraisemblace L du modèle pour la mesure de Lebesgue vaut L (X,,X ;)= exp X ). U calcul stadard d optimisatio motre que l EMV est ˆ = / X. Comme la moyee d ue loi E() est /, cet estimateur est cosistat d après la loi des grads ombres. Preuve du théorème Supposos pour simplifier que Θ est compact et otos ˆ l EMV du modèle (H,{P } Θ ). Si (X,,X ) P avec Θ fixé, o défiit pour chaque α Θ : U (α) = ll (X,,X ;α)= U(α) = E ll(.;α). ll(x i ;α)

8 44 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE Alors, U ( ˆ)=if Θ U et U coverge poctuellemet vers U e probabilité d après la loi des grads ombres. Admettos das u premier temps que cette covergece est e fait uiforme, i.e. P sup U U 0. Θ Puisque if Θ U if Θ U sup Θ U U : U ( ˆ)=if U P if U. Θ Θ Sous les hypothèses (i) et (ii), le théorème de covergece domié motre que U est cotiue. Comme Θ est compact, il existe t Θ tel que U(t)=if Θ U. Or, t =. E effet, U ( ˆ) U () P U(t) U()=κ(t,), κ désigat l iformatio de Kullback-Leibler du modèle (H,{Q } Θ ). De plus, U ( ˆ) U ()=if Θ U U () 0. Par suite, κ(t,) 0 d où t = d après la propositio O déduit alors de la covergece uiforme de U vers U e probabilité que κ( ˆ,)=U( ˆ) U() P 0. Fixos ε > 0. La foctio cotiue α κ(α,) e s aulle qu e, doc il existe γ > 0 tel que si α Θ vérifie α ε, alors κ(α,) γ. Il s esuit que lim sup i.e. ˆ ted vers e probabilité. P ˆ ε limsupp κ( ˆ,) γ = 0, Il reste à motrer que U coverge uiformémet vers U e probabilité. Pour tout η > 0 suffisammet petit, soit h(.,η) la foctio défiie pour chaque x H par h(x, η)= sup α β η ll(x;α) ll(x;β).

9 4.4. CONSISTANCE 45 Fixos ε > 0. Comme h(.,η) 2H avec H L (Q ) par (ii) et h(x,η) 0 si η 0 pour tout x H par (i), o a E h(.,η) < ε/3 d après le théorème de covergece domiée, pour ue valeur de η que ous fixos doréavat. Recouvros le compact Θ par N boules fermées de Θ de rayo η, otées B( j,η) pour j =,,N, i.e. Θ = N j= B( j,η). O remarque que sup U U = max Θ sup j=,,n B( j,η) max sup j=,,n B( j,η) + max sup j=,,n B( j,η) h(x i,η)+ D où, puisque E h(.,η) < ε/3: U U U U ( j ) + max j=,,n U ( j ) U( j ) U( j ) U max U ( j ) U( j ) + E h(.,η). j=,,n P sup U U ε Θ P h(x i,η)+ max U ( j ) U( j ) 2ε j=,,n 3 P i,η) h(x ε + P 3 Or, d après la loi des grads ombres, o a à la fois : max U ( j ) U( j ) j=,,n P 0 et Comme E h(.,η) < ε/3, ceci etraîe que max j=,,n U ( j ) U( j ) ε 3 lim P sup U U ε = 0, Θ i.e. U coverge uiformémet vers U e probabilité. h(x i,η) P E h(.,η)..

10 46 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE 4.5 Iformatio de Fisher Das la suite, F() désige le gradiet de F : Θ R évalué e Θ. Par covetio, le gradiet d ue foctio est calculé e que si la foctio est de classe C sur u voisiage de. Par ailleurs, V (resp. cov ) désige la matrice de variace (resp. la covariace) sous la loi P. Pour motiver le cocept d iformatio de Fisher, supposos pour simplifier que Θ est u ouvert de R et cosidéros la foctio K : α κ (α,) défiie sur Θ, avec Θ fixé. Nous allos comparer la dérivée secode de K e à V ll (.;) L (.;) 2 = E L (.;) E L (.;) L (.;) Sous les coditios idoies, o trouve : L (.;) E L (.;) = L (.;)dµ = L (.;)dµ, H H car dp = L (.;)dµ. Comme H L (.;)dµ = P (H )=, o obtiet d où, au passage, K ()=0, et aussi E L (.;) L (.;) = 0, V ll (.;) = E L (.;) L (.;) Le même type de calcul mèe à la relatio : K ()=E L (.;) L (.;) La courbure e de la foctio α K(α) =κ (α,) est doc, sous les coditios idoies : K ()=V ll (.;). Puisque K ()=0 et κ (,)=0, la formule de Taylor-Youg motre fialemet que κ (α,)= 2 V ll (.;) α ) 2 + o (α ) 2. 2.

11 4.5. INFORMATION DE FISHER 47 L itérêt de la foctio V ( ll (.;)) défiie sur Θ apparaît ici : elle complète l iformatio de Kullback-Leibler e précisat sa courbure au voisiage du paramètre du modèle. Cette observatio est à l origie de la défiitio ci-dessous. Défiitio. Supposos que Θ est ouvert et que ll (.;) L 2 (P ) pour chaque Θ. L iformatio de Fisher est la foctio I défiie sur Θ, telle que pour chaque Θ : I () = V ll (.;) = cov ll (.;), ll (.;). i j i, j=,,d Das la suite, l iformatio de Fisher est évoquée que lorsque les coditios ci-dessus sot implicitemet satisfaites. L iformatio de Fisher est ue foctio à valeurs das l esemble des matrices positives. E tat que mesure de la courbure de l iformatio de Kullback-Leibler, elle précise le pouvoir de discrimiatio du modèle etre deux valeurs proches du paramètre du modèle : si d =, ue grade valeur pour I () traduit ue variatio importate de la ature des probabilités du modèle au voisiage de P, d où ue discrimiatio de la vraie valeur du paramètre icou facilitée. A l iverse, si I () est petit, la loi est très piquée et o est ameé à rechercher le maximum de la vraisemblace das ue régio très vaste. Exemple. Afi d illustrer ces commetaires, repreos le modèle statistique ({0,},{B() } ]0,[ ) du jeu de pile ou face de la sectio., pour lequel la vraisemblace L vaut, si ]0,[ et (x,,x ) {0,} : L (x,,x ;)= x ( ) ( x ). O a calculé das la sectio 2.3 la variace de ll (.;), doc l iformatio I du modèle : I ()=V ll (.;) = ( ).

12 48 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE Das ce modèle, l icertitude est faible pour proche de 0 et alors qu elle est d autat plus grade que est proche de /2, ce qui se traduit par ue iformatio I () maximale pour proche de 0 et, et miimale pour = /2. Das ue situatio d échatilloage idépedat, l iformatio de Fisher est proportioelle à la taille de l échatillo. Propositio Soit I l iformatio de Fisher du modèle (H,{Q } Θ ) domié par la mesure ν. Si, pour chaque Θ, P = Q, l iformatio de Fisher I du modèle (H,{P } Θ ) pour la mesure domiate µ = ν vaut I ()=I() Θ. Preuve. Soiet Θ et (X,,X ) P. Si L désige la vraisemblace du modèle (H,{Q } Θ ), la vraisemblace L du modèle (H,{P } Θ ) est, d après la propositio 4..2 : Par suite, O e déduit la relatio L (X,,X ;)= ll (X,,X ;)= I () = V ll (.;) = = V ll(x ;), L(X i ;). ll(x i ;). V ll(xi ;) car les variables aléatoires X,,X sot idépedates et de même loi. Comme I()=V ( ll(x ;)), la propositio est démotrée. Du poit de vue des calculs, o se réfèrera souvet à la propositio qui suit, dot l objectif pricipal est de doer ue forme simplifiée pour l iformatio de Fisher. Das la suite, 2 F() désige la matrice Hessiee de F : Θ R évaluée e Θ. Par covetio, l utilisatio de la otatio 2 F() sigifie implicitemet que F est de classe C 2 sur u voisiage de.

13 4.5. INFORMATION DE FISHER 49 Propositio Soit I l iformatio de Fisher du modèle (H,{P } Θ ). Supposos que pour chaque Θ, il existe u voisiage V Θ de tel que sup α V L (.;α) L (µ). Alors : (i) E ll (.;)=0. (ii) si, e outre, sup α V 2 L (.;α) L (µ), I ()= E 2 ll (.;). Les coditios de cette propositio e sot pas aussi restrictives qu elle peuvet le sembler, car elle sot satisfaites par bo ombre de modèles statistiques. Preuve. Sous la coditio sup α V L (.;α) L (µ), o a d après le théorème de dérivatio sous l itégrale : L (.;)dµ = L (.;)dµ, H H d où, puisque dp = L (.;)dµ et P (H )=: H L (.;)dµ = P H = 0. Or, comme dp = L (.;)dµ et ll (.;)= L (.;)/L (.;), E ll (.;) = = ll (.;)L (.;)dµ H L (.;)dµ, H d où (i). Motros maiteat (ii). Si F : Θ R est de classe C 2, otos pour tout i, j =,,d et Θ : i F()= F () et 2 ijf()= 2 F (). i i j Le théorème de dérivatio sous l itégrale motre que H 2 ijl (.;)dµ = 2 ij H L (.;)dµ

14 50 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE sous l hypothèse sup α V 2 L (.;α) L (µ), et doc H 2 ijl (.;)dµ = ij P (H )=0. Par ailleurs, o vérifie que pour tout x H : De ce fait, 2 ijll (x;)= 2 ij L (x;) L (x;) il (x;) j L (x;) L(x;) 2. E 2 ijll (.;) = 2 ijll (.;)L (.;)dµ H i L (.;) j L (.;) = dµ H L (.;) = E i ll (.;) j ll (.;), car ll (.;) = L (.;)/L (.;). Or, par défiitio de l iformatio de Fisher : I () ij = cov i ll (.;), j ll (.;) puisque E ll (.;)=0, d où (ii). = E i ll (.;) j ll (.;), Cette propositio légitime la défiitio qui suit, e doat des coditios suffisates au cocept de régularité d u modèle statistique. Défiitio. Le modèle statistique (H,{P } Θ ) est dit régulier si les propriétés suivates sot vérifiées e chaque Θ : (i) so iformatio de Fisher I e existe et est iversible ; (ii) E ll (.;)=0 et I ()= E 2 ll (.;). Exemple. Le modèle statistique ({0,},{B() } ]0,[ ) du jeu de pile ou face de la sectio. costitue u exemple de modèle régulier : d ue part, o a déja costaté das la sectio 4.5 que so iformatio de Fisher est iversible pour chaque ]0, [ ; d autre part, sa vraisemblace (calculée das la sectio 4.), qui vérifie les hypothèses de la propositio 4.5.2, répod doc au secod jeu de coditios imposé das la défiitio ci-dessus.

15 4.6. NORMALITÉ ASYMPTOTIQUE Normalité asymptotique Seul le cas d u échatilloage idépedat est abordé das cette sectio, i.e. P = Q Θ, chaque Q état ue probabilité sur (H,B(H )). Das la suite, L et I désiget la vraisemblace et l iformatio de Fisher du modèle statistique (H,{Q } Θ ) pour la mesure domiate ν. La vraisemblace L et l iformatio de Fisher I du modèle (H,{P } Θ ) domié par µ = ν s écrivet doc, d après les propositios 4..2 et 4.5. : L (x,,x ;)= pour tous Θ et (x,,x ) H. L(x i ;) et I ()=I(), Théorème Supposos que (H,{Q } Θ ) est u modèle régulier et que, pour chaque Θ, il existe u voisiage V Θ de pour lequel sup α V 2 ll(.;α) L (P ). Si l EMV ˆ du modèle (H,{P } Θ ) est cosistat, alors : ˆ L/P N d 0,I() Θ. Remarque. Lorsque le paramètre d itérêt est g() avec g : Θ R k ue foctio coue de classe C, l EMV g( ˆ) de g() est, sous les coditios de ce théorème, asymptotiquemet ormal et de vitesse, d après la δ- méthode (Théorème 2.5.). L itérêt de ce théorème est qu il dégage u comportemet d ivariace de l EMV e motrat que, sous des coditios idoies, sa loi limite est ormale. Cepedat, les hypothèses de ce théorème e sot pas optimales ; de ce fait, pour obteir la loi limite de l EMV das u modèle doé, il e faut pas exclure ue preuve directe utilisat pas ce résultat. Cette observatio est reforcée par le fait que la ormalité asymptotique de l EMV cocere spécialemet les modèles statistiques suffisammet réguliers, comme l atteste l exemple qui suit. Exemple. Cosidéros le modèle statistique (R +,{U([0,]) } >0 ). Pour > 0 et (X,,X ) P = U([0,]), sa vraisemblace L relativemet à

16 52 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE la mesure de Lebesgue s écrit pour tout > 0: si 0 X L (X,,X ;)=,,X ; 0 sio. L EMV est doc ˆ = max i X i. Pour chaque t ]0,[ : P ( ˆ) t = P max X i < t,, = t. La limite de cette expressio est exp( t/) dès que t > 0, doc ˆ L/P E (/). Aisi, das cet exemple de modèle o régulier, i la vitesse de l EMV, i la loi limite, e correspodet à celles du théorème précédet. Preuve du théorème Soiet Θ, (X,,X ) P et U (α)=ll (X,,X ;α)= ll(x i ;α) α Θ. D après le théorème de dérivatio sous l itégrale, U est de classe C 2 P -p.s. Comme U ( ˆ) =0 car ˆ maximise U, u développemet de Taylor avec reste itégral ous doe E coséquece, 0 = U ()+ 2 U +t( ˆ ) dt ( ˆ ). 0 Ū ( ˆ )= U (), si Ū = 2 U +t( ˆ ) dt. Or, d ue part V ll(.;) = I(), et d autre part E ll(.;)=0 par régularité du modèle. Doc, d après le théorème cetral limite : U ()= ll(x i ;) U/P N d 0,I(). 0

17 4.6. NORMALITÉ ASYMPTOTIQUE 53 P Admettat das u premier temps que Ū I(), le lemme de Slutsky doe le résultat aocé, i.e. ( ˆ ) U/P I() N d 0,I() = Nd 0,I(). Il reste à motrer que Ū coverge e probabilité vers I(). Soit, pour chaque x H et r > 0: σ(x,r)= sup 2 ll(x;α) 2 ll(x;). α r Par hypothèse, ll(x;.) C 2 pour chaque x H et σ(.,r) L (P ) pour r > 0 suffisammet petit. D après le théorème de covergece domiée, état doé ε > 0, il existe doc r > 0 tel que E σ(.,r) < ε/2. E remarquat que il viet : Ū = P Ū + I() ε P +P ll X i ; +t( ˆ ) dt, 2 ll X i ; +t( ˆ ) 2 ll(x i ;) dt ε 2 2 ll(x i ;)+I() ε 2 + P ˆ r P i,r) σ(x ε 2 +P 2 ll(x i ;)+I() ε 2 La derière iégalité a été obteue e itroduisat l évéemet { ˆ < r}. Comme E σ(.,r) < ε/2, E 2 ll(.;) = I() par régularité du modèle et ˆ est cosistat, o déduit de la loi des grads ombres que Ū ce qui achève la preuve du théorème. P I(),.

18 54 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE

Statistique mathématique pour le Master 1 Cours de l ENS Cachan Bretagne. Benoît Cadre

Statistique mathématique pour le Master 1 Cours de l ENS Cachan Bretagne. Benoît Cadre Statistique mathématique pour le Master 1 Cours de l ENS Cacha Bretage Beoît Cadre 4 jui 2010 2 Table des matières 1 Modélisatio statistique 5 1.1 U exemple............................. 5 1.2 Pricipe fodametal

Plus en détail

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

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

Plus en détail

1 Mesure et intégrale

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

Plus en détail

PROJET DE MONTE CARLO SUJET 1: LE PRICING

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

Plus en détail

Etude de la fonction ζ de Riemann

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

Plus en détail

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

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

Plus en détail

CHAPITRE 2 SÉRIES ENTIÈRES

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

Plus en détail

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

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

Plus en détail

Chapitre 3 : Fonctions d une variable réelle (1)

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

Plus en détail

Inégalités souvent rencontrées

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

Plus en détail

Correction HEC III 2007

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

Plus en détail

Devoir de statistiques: CORRIGE

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Processus et martingales en temps continu

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

Plus en détail

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

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

Plus en détail

STATISTIQUE : TESTS D HYPOTHESES

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

Plus en détail

LES PROBABILITÉS POUR LES OPTIONS B, C ET D

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

14 Chapitre 14. Théorème du point fixe

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

Plus en détail

La classification de données quantitatives avec SPAD

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

Plus en détail

Cours 5 : ESTIMATION PONCTUELLE

Cours 5 : ESTIMATION PONCTUELLE Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-

Plus en détail

Chapitre 4 Lois discrètes

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

Plus en détail

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

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Limites des Suites numériques

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

Plus en détail

Dénombrement - Combinatoire Cours

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

Plus en détail

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

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

Plus en détail

ADMISSION AU COLLEGE UNIVERSITAIRE

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

Plus en détail

Université Paris VII - Agrégation de Mathématiques (François Delarue) MÉTHODE DE MONTE-CARLO

Université Paris VII - Agrégation de Mathématiques (François Delarue) MÉTHODE DE MONTE-CARLO Uiversité Paris VII - Agrégatio de Mathématiques Fraçois Delarue) MÉTHODE DE MONTE-CARLO Ce texte vise à préseter l utilisatio de la méthode de Mote-Carlo das le calcul du prix d ue optio. 1. Positio du

Plus en détail

Cours de Statistiques inférentielles

Cours de Statistiques inférentielles Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios

Plus en détail

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

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

Plus en détail

Modèle de pointage et correction des dérives

Modèle de pointage et correction des dérives Ges de la Lue Observatoire astroomique de Plougastel Tél : 0 98 40 69 73 http://www.gesdelalue.org Modèle de poitage et correctio des dérives 1. Présetatio du problème Le poitage d u astre par u télescope

Plus en détail

Apprentissage: cours 3a Méthodes par moyennage local

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

Plus en détail

Les Nombres Parfaits.

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

Plus en détail

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter

Plus en détail

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009 M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3. EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite

Plus en détail

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

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

Plus en détail

Approximation de la solution d une équation différentielle ordinaire avec impulsions qui dépendent de l état

Approximation de la solution d une équation différentielle ordinaire avec impulsions qui dépendent de l état Approximatio de la solutio d ue équatio différetielle ordiaire avec impulsios qui dépedet de l état F. Dubeau A. Ouasafi A. Sakat CRM-276 Jauary 21 Départemet de mathématiques et d iformatique, Uiversité

Plus en détail

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Lycée Féelo aite-marie Préparatio ciece-po/prépa HEC Foctios Versio du juillet 05 Eercice d degré : racies et coefficiets O rappelle que si l équatio a + b + c = 0 ( a 0 ) adet deu racies α et β (évetuelleet

Plus en détail

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour

Plus en détail

Suites et séries numériques

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

Plus en détail

École de technologie supérieure

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

Plus en détail

4 Approximation des fonctions

4 Approximation des fonctions 4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour

Plus en détail

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

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

Plus en détail

Comportement d'une suite

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

Plus en détail

CHAPITRE 22. Machines à sous

CHAPITRE 22. Machines à sous CHAPITRE 22 Machies à sous 22. Corrigé possible du texte 22.. Eocé du problème et défiitio du modèle statistique associé O étudie ici u modèle statistique avec observatios icomplètes : o dispose d observatios

Plus en détail

DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011

DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011 MÉTHODES NUMÉRIQUES POUR LE PRICING D OPTIONS DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011 Table des matières 1 Notatios et équatio de Black-Scholes 2 11 Notatios 2 12 Équatio de Black-Scholes

Plus en détail

Suites et séries de fonctions

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

Plus en détail

Modes propres de vibration ; interprétation ondulatoire

Modes propres de vibration ; interprétation ondulatoire SPECIALITE TS ( PHYSIQUE ) : FICHE CURS 6 1/5 MDES PRPRES DE IBRATI Ce qu'il faut reteir Modes propres de vibratio ; iterprétatio odulatoire 1. Productio d u so à l aide d u istrumet de musique U istrumet

Plus en détail

Séquence 5. La fonction logarithme népérien. Sommaire

Séquence 5. La fonction logarithme népérien. Sommaire Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa

Plus en détail

SÉRIES STATISTIQUES À DEUX VARIABLES

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

Plus en détail

BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 2015

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

Plus en détail

La fonction de la maîtrise des vitesses est d assurer un temps

La fonction de la maîtrise des vitesses est d assurer un temps sas frotière OÎTE À OUTILS Guide de dimesioemet La maîtrise des vitesses hydrauliques JEN ROUSSEU 1 La oîte à outils du précédet uméro de Techologie traitait du choix d u distributeur pour l actioeur hydraulique.

Plus en détail

STATISTIQUE AVANCÉE : MÉTHODES

STATISTIQUE AVANCÉE : MÉTHODES STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................

Plus en détail

Séries réelles ou complexes

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

Plus en détail

Bulletin officiel spécial n 8 du 13 octobre 2011

Bulletin officiel spécial n 8 du 13 octobre 2011 Aexe Programme de l eseigemet spécifique et de spécialité de mathématiques de la série écoomique et sociale et de l eseigemet de spécialité de mathématiques de la série littéraire L eseigemet des mathématiques

Plus en détail

Organisme de recherche et d information sur la logistique et le transport LES PREVISIONS DES CONSOMMATIONS

Organisme de recherche et d information sur la logistique et le transport LES PREVISIONS DES CONSOMMATIONS LES PREVISIONS DES CONSOMMATIONS Les logiciels utilisés pour la gestio des stocks itègret de ombreuses foctios de calcul. L ue des plus importates est l exécutio des prévisios des cosommatios futures d

Plus en détail

Maîtrise de Mathématiques TER Le bandit manchot à deux bras

Maîtrise de Mathématiques TER Le bandit manchot à deux bras Maîtrise de Mathématiques TER Le badit machot à deux bras Deis Cousieau Sous la directio de Jea-Michel Loubes Septembre 2003 Table des matières 1 Présetatio du problème 2 1.1 Exemple de la machie à sous,

Plus en détail

ASSOCIATION POUR LA CERTIFICATION DES MATERIAUX ISOLANTS

ASSOCIATION POUR LA CERTIFICATION DES MATERIAUX ISOLANTS Idice de Révisio Date de mise e applicatio B 01/09/2014 Cahier Techique 1 ASSOCIATION POUR LA CERTIFICATION DES MATERIAUX ISOLANTS 4, aveue du Recteur-Poicarré, 75782 Paris Cedex 16 Tel. 33.(0)1.64.68.84.97

Plus en détail

I. (2 points) III. (2 points)

I. (2 points) III. (2 points) ère S Cotrôle du vedredi 7 mars 05 (0 mi) Préom : Nom : Note : / 0 II ( poits) Soit ABC u triagle isocèle e A tel que AB AC 8 cm et BC 5 cm O ote I le milieu de [AC] Calculer BI (valeur exacte) I ( poits)

Plus en détail

Licence informatique - L3 Année 2012/2013. Conception d algorithmes et applications (LI325) COURS 1

Licence informatique - L3 Année 2012/2013. Conception d algorithmes et applications (LI325) COURS 1 Licece iformatique - L Aée 0/0 Coceptio d algorithmes et applicatios (LI) COURS Résumé. Ce cours est ue iitiatio à quelques grads pricipes algorithmiques (Diviser pour Réger, Programmatio Dyamique, Algorithmes

Plus en détail

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

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

Plus en détail

AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES. ITS Voie B Option Économie. MATHÉMATIQUES (Durée de l épreuve : 4 heures)

AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES. ITS Voie B Option Économie. MATHÉMATIQUES (Durée de l épreuve : 4 heures) ÉCOLE NATIONALE SUPÉRIEURE DE STATISTIQUE ET D ÉCONOMIE APPLIQUÉE ENSEA ABIDJAN AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES ITS Voie B Optio Écoomie MATHÉMATIQUES (Durée de l épreuve : 4 heures)

Plus en détail

Processus géométrique généralisé et applications en fiabilité

Processus géométrique généralisé et applications en fiabilité Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR

Plus en détail

Correction Bac ES France juin 2010

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

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1 [htt://m.cgeduuydelome.fr] édité le 10 juillet 2014 Eocés 1 Déombremet Exercice 1 [ 01529 ] [correctio] Soiet E et F deux esembles fiis de cardiaux resectifs et. Combie y a-t-il d ijectios de E das F?

Plus en détail

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue

Plus en détail

Intérêt simple CHAPITRE. Sommaire

Intérêt simple CHAPITRE. Sommaire HAPTRE térêt simple Sommaire A B D E F G H J K L Notio d itérêt Formule fodametale de l itérêt simple Durée de placemet exprimée e mois Durée de placemet exprimée e jours alculs sur la formule fodametale

Plus en détail

On obtient la formule de Pascal en prenant le cardinal :

On obtient la formule de Pascal en prenant le cardinal : Colles du 3 ovembre 014 Solutio de la questio de cours 1. (i) Soit E u esemble de cardial. L esemble (E) peut alors être partitioé comme suit : (E) (E), où (E) est l esemble des parties de E de cardial.

Plus en détail

relatif à la transmission d ordres par fax et téléphone

relatif à la transmission d ordres par fax et téléphone Règlemet Télé-Equity relatif à la trasmissio d ordres par fax et téléphoe (Cliets de détail) 02541 Pour des raisos d efficacité et de rapidité, le Cliet peut trasmettre ses ordres par fax et/ou téléphoe

Plus en détail

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes. Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités

Plus en détail

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles BTS Mécaique et Automatismes Idustriels Statistiques iféretielles, Aée scolaire 2005 2006 Statistiques iféretielles 1. Itroductio vocabulaire Pour étudier ue populatio statistique, o a recours à deux méthodes

Plus en détail

Application «Calculs» Application «Graphiques» Application «Tableur et listes» FR

Application «Calculs» Application «Graphiques» Application «Tableur et listes» FR TI Nspire Documet de Formatio T3 Walloie TI-Nspire Le tout e u des mathématiques Suites umériques La loi de Verhulst Applicatio «Calculs» Applicatio «Graphiques» Applicatio «Tableur et listes» FR Formatios

Plus en détail

Analyse de structures de données et d algorithmes

Analyse de structures de données et d algorithmes Uiversité Paris 3 Istitut Galilée Master Math-Ifo Aalyse de structures de doées et d algorithmes Polycopié 2006-2007 Christia Lavault Table des matières Combiatoire et déombremet. Permutatios, arragemets

Plus en détail

PROMENADE ALÉATOIRE : Chaînes de Markov et martingales

PROMENADE ALÉATOIRE : Chaînes de Markov et martingales PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières

Plus en détail

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil. Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la

Plus en détail

chapitre VIII exercices et problèmes de synthèse algorithmique et turbo-pascal

chapitre VIII exercices et problèmes de synthèse algorithmique et turbo-pascal chapitre VIII eercices et problèmes de sythèse algorithmique et turbo-pascal Algèbre liéaire et probabilités : Chaîes de Marov (esco 93) Partie A 4 3 O cosidère la matrice M = 8 6 ) a) Détermier les valeurs

Plus en détail

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9 Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios

Plus en détail

= e 1, où e est la base des logarithmes népériens ; la relation de récurrence : n I N, u n+1

= e 1, où e est la base des logarithmes népériens ; la relation de récurrence : n I N, u n+1 ERREURS D'ARRONDIS ET CALCULATRICES par Christia Vassard et Didier Trotoux L'idée de cet article ous a été ispirée par u exemple illustrat ue cotributio de Jea-Michel Muller ("Ordiateur e quête d'arithmétique"

Plus en détail

Chapitre 1: Calcul des intérêts

Chapitre 1: Calcul des intérêts Chapitre 1: Calcul des itérêts Ce chapitre vise à familiariser le lecteur avec les otios suivates : Itérêt Taux d itérêt omial Taux d itérêt périodique Valeur acquise Valeur actuelle Capitalisatio Le lecteur

Plus en détail

TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )

TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude

Plus en détail

TRANSFORMATION DES DONNÉES ET COMPARAISON DE

TRANSFORMATION DES DONNÉES ET COMPARAISON DE TRANSFORMATION DES DONNÉES ET COMPARAISON DE MODÈLES POUR LA CLASSIFICATION DES DONNÉES RNA-SEQ Mélia Gallopi 1,2,3 & Adrea Rau 2,3 & Gilles Celeux 4 & Florece Jaffrézic 2,3 1 Laboratoire de Mathématiques

Plus en détail

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires

Plus en détail

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces

Plus en détail

Probabilités et Statistique

Probabilités et Statistique Probabilités et Statistique Jea-Michel JOLION Départemet Géie Idustriel 3ème Aée Versio électroique : http://rfv.isa-lyo.fr/ jolio/stat/poly.html May 26, 2006 INSA Lyo - Bât. J. Vere - 69621 Villeurbae

Plus en détail

Introduction aux Méthodes de Monte-Carlo

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

Plus en détail

Statistique Numérique et Analyse des Données

Statistique Numérique et Analyse des Données Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques

Plus en détail

SERIE D EXERCICES N 21 : FORMATION DES IMAGES DANS LES CONDITIONS DE GAUSS

SERIE D EXERCICES N 21 : FORMATION DES IMAGES DANS LES CONDITIONS DE GAUSS Nathalie Va de Wiele - Physique Sup PCSI - Lycée les Eucalyptus - Nice Série d exercices SERIE D EXERCICES N : FORMATION DES IMAGES DANS LES CONDITIONS DE GAUSS Propagatio rectilige. Exercice. Das le cas

Plus en détail

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse Séquece 9 Itervalles de fluctuatio, estimatio Objectifs de la séquece Das le chapitre 2, o étudie des itervalles de fluctuatio des variables aléatoires X F =, fréqueces des variables aléatoires biomiales

Plus en détail

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( )

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( ) Aée 01-013 Mathématiques Décembre 01 Durée : 3 heures BAC blac N 1 La calculatrice est autorisée. Le sujet comporte u total de 5 exercices. Les élèves e suivat pas l eseigemet de spécialité traiterot les

Plus en détail

La Méthode de Monte Carlo

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

Plus en détail

Chap. 5 : Les intérêts (Les calculs financiers)

Chap. 5 : Les intérêts (Les calculs financiers) Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie

Plus en détail

Formulaire de statistiques

Formulaire de statistiques Formulaire de statistiques E. Depiereux G. Vicke B. De Hertogh Javier 009 Formulaire de statistiques I. Statistiques descriptives : Moyee arithmétique : (populatio: m x = µ) (échatillo = x = M x ) 1 i

Plus en détail

Remise à Niveau Mathématiques

Remise à Niveau Mathématiques Mathématiques RAN - Calcul et raisoemet Remise à Niveau Mathématiques Première partie : Calcul et raisoemet Exercices Page sur 9 RAN Calcul et raisoemet Ex - Rev 04 Mathématiques RAN - Calcul et raisoemet

Plus en détail