RÉGRESSION: BASES DÉFORMÉES ET SÉLECTION DE MODÈLES PAR PÉNALISATION ET MÉTHODE DE LEPSKI.

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "RÉGRESSION: BASES DÉFORMÉES ET SÉLECTION DE MODÈLES PAR PÉNALISATION ET MÉTHODE DE LEPSKI."

Transcription

1 RÉGRSSION: BASS DÉFORMÉS T SÉLCTION D MODÈLS PAR PÉNALISATION T MÉTHOD D LPSKI GAËLL CHAGNY Octobre Ce documet est essetiellemet u complémet à l article Pealizatio versus Goldeshluger- Lepski strategies i regressio estimatio with warped bases Il cotiet les démostratios détaillées des pricipaux résultats Il e cotiet par cotre pas ce qui cocere les motivatios et justificatios des méthodes employées aisi que les comparaisos avec d autres stratégies d estimatio O se réfèrera pour cela à l article cité fi ce documet cotiet aussi la justificatio théorique du remplacemet de la quatité icoue das la péalité par u estimateur cf sectio 69 Table des matières partie Itroductio Objectif Iégalité de cocetratio utilisée 3 3 Démostratio : utilisatio de l iégalité de Talagrad versio Klei et Rio 3 3 Première étape : Applicatio de l iégalité de Talagrad versio Klei et Rio Deuxième étape : Modificatio type Birgé-Massart 5 33 Troisième étape : Itégratio 6 partie stimatio quad la loi du desig est coue 8 4 Rappels 8 4 Observatios 8 4 Modèles 8 43 spaces de régularité 8 5 stimatio o adaptative 9 5 Costructio de l estimateur 9 5 tude du risque 9 6 stimatio adaptative 6 Costructio de l estimateur par méthode de Lepski 6 Costructio de l estimateur par péalisatio 63 Majoratio du risque pour chacu des deux estimateurs 64 Résultat prélimiaire aux preuves des Théorèmes et Preuve du Théorème 3 66 Preuve du Théorème Preuve du Lemme Preuve du Lemme stimatio adaptative par péalisatio suite : ue péalité aléatoire 6 : MAP5 UMR CNRS 845 Uiversité Paris Descartes Frace

2 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS partie 3 stimatio quad la loi du desig est icoue 9 7 Rappels 9 7 Observatios 9 7 Modèles 3 73 spaces de régularité 3 74 Rappels sur la foctio de répartitio empirique 3 8 stimatio o adaptative 3 8 Costructio de l estimateur 3 8 Résultats prélimiaires à l étude du risque tude du risque Preuve du Lemme Preuve du Lemme Preuve du Lemme Preuve du Lemme stimatio adaptative 47 9 Costructio de l estimateur par méthode de Lepski 47 9 Costructio de l estimateur par péalisatio Majoratio du risque pour chacu des deux estimateurs Résultats prélimiaires aux preuves des Théorèmes 6 et Preuve du Théorème Preuve du Théorème Preuve du Lemme 9 54 Référeces 73 Première partie Itroductio Le but est d estimer f das le modèle Objectif Y = fx ε avec X le desig aléatoire réel de loi doée par sa foctio de répartitio G supposée dérivable de dérivée g supposée strictemet positive ε variable aléatoire réelle cetrée de carré itégrable de variace otée σ f la foctio icoue de R das R O supposera que f L a; b B a;b λ a;b pour u certai itervalle o vide a; b R où B a;b et λ a;b désiget respectivemet la tribu boréliee et la mesure de Lebesgue sur a; b Pour simplifier o supposera que X est à valeurs das a; b presque sûremet ce qui reviet à dire que le support de g est iclus das a; b Le pricipe de la méthode utilisée est de commecer par estimer la foctio h = f G par sélectio de modèles costructio d ue famille d estimateurs par projectio et sélectio d u estimateur coveable das cette collectio par méthode de Goldeshluger-Lepski ou par péalisatio puis de défiir u estimateur pour la foctio cible f par ˆf = ĥ G ou ĥ Ĝ

3 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 3 où ĥ désige l estimateur de h et Ĝ désige la cotrepartie empirique pour la foctio de répartitio G das le cas où celle-ci est supposée icoue Iégalité de cocetratio utilisée Propositio Versio itégrée de l iégalité de Talagrad Soiet N\{} F ue classe au plus déombrable de foctios mesurables à valeurs réelles et X i i {} ue famille de variables aléatoires réelles idépedates O défiit quel que soit f F ν f := fx i fx i O suppose qu il existe trois costates strictemet positives M H et v telles que : sup f M f F sup ν f f F Alors quel que soit ε > sup ν f εh f F où Cε = ε et K = /6 H et sup f F Var f X i v 4 { v K exp K ε H v 49M K C ε exp K Cε ε 7 } H M Remarque : o peut utiliser cette iégalité pour certaies classes F de foctios o déombrables par exemple si F est ue partie déombrable dese d u espace métrique 3 Démostratio : utilisatio de l iégalité de Talagrad versio Klei et Rio 3 Première étape : Applicatio de l iégalité de Talagrad versio Klei et Rio 5 L objectif est d obteir u majorat pour P sup ν f H y f F où y > O va utiliser pour ceci la derière iégalité du théorème suivat du à Klei et Rio Théorème Soiet S u esemble au plus déombrable de foctios mesurables défiies sur X espace métrique poloais et à valeurs das ; ξ i i {} des variables aléatoires idépedates idetiquemet distribuées à valeurs das X O suppose que pour tout vecteur s = s s S pour tout i { } s i ξ i = O défiit : Z = sup s i ξ i et V = sup Var s i ξ i s Ss=s s s S Alors pour tout λ > log expλz λz λ Z V { exp e λ }

4 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 4 particulier e otat v = Z V o obtiet pour tout x > P Z Z x exp x4 log log x v exp x v 3x Remarque : La deuxième assertio proviet de la première e utilisat la méthode de Cheroff O applique ceci de la faço suivate : o pred ξ i = X i ; pour f F o défiit s i f : x si f x = f f x X i M M et o pred S = { s f = s f s f f F} O a bie pour f F et i { } s i X i = s i f à valeurs das ; par défiitio de M et Z se réécrit Z = sup f F /M ν f Le théorème s applique doc et l o a quel que soit x > P sup ν f sup ν f x exp x M f F M f F v 3x c est à dire pour tout y > e preat x = y/m et e utilisat la défiitio de H P sup ν f H y f F P sup ν f f F exp y 8M v 6M y sup ν f f F O majore esuite v = Z V : d ue part Z H/M d autre part fx i V = sup Var f F M O a doc Il viet aisi P = 4M v 4M sup ν f H y f F sup f F Var fx i par défiitio de v v H M v 4M exp y 4M H v 6M y y

5 O utilise esuite STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 5 P sup f F ν f H y P P P = P { } sup ν f H y f F { } sup ν f H y f F sup ν f H y f F sup ν f H y f F exp P P { sup f F { sup f F y 4M H v 6M y ν f = sup ν f f F } ν f = sup ν f f F sup ν f H y f F sup ν f H y f F car le raisoemet fait ci dessus pour cotrôler les déviatios de sup f F ν f s applique de la même maière pour cotrôler celles de sup f F ν f } 3 Deuxième étape : Modificatio type Birgé-Massart L objectif est d obteir u majorat pour P sup ν f λ η H f F où λ > η > O applique l iégalité obteue à la première étape avec y = ληh et l o va majorer le membre de gauche de l iégalité c est à dire miorer la quatité suivate e suivat la démarche employée par Birgé et Massart das le corollaire p354 de 5 y v 4M H 6M y = = λ η H λh v 8HM 6M λ 6M ηh λ λh v 6M λ M H8 6η a b avec des otatios évidetes c d e Or quels que soiet a b c d e > a b c d e a 3 c a d b e

6 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 6 effet a b c d e = 3 3 a b 3c d e a b c a b d a c a d b e a b e Appliquer ici ceci doe y v 4M H 6M y λ 6 v λ M 6 η 4 3η O utilise esuite 6 η 4 3η η 7 ; e effet o a d ue part /6 /7 η /7 et d autre part η 4 3η η = 7 3 η pour η 74 3η 4η pour η 74 3η Aisi il viet y v 4M H 6M y λ 6 v η 7 λ M et par suite P sup ν f λ η H f F exp { λ 6 v η 7 λ M } 33 Troisième étape : Itégratio L objectif est maiteat de parveir à l iégalité aocée O veut majorer l espérace de la variable positive : X := sup ν f εh f F

7 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 7 O suit ici la preuve du lemme 6 de 9 et o commece par écrire : X = = = PX tdt P P sup ν f εh t f F dt sup ν f εh εh t/ f F P sup ν f εh εh t/ f F e utilisat a b a b dt dt A ce iveau o peut utiliser l iégalité de la deuxième étape avec η = ε et λ = εh t/ O e déduit X t = exp exp t K { εh t/ v η 7 } εh t/ dt M { εh } t/ K dt { v } η εh exp K t/ dt 7 M où t est foctio de tous les paramètres iterveats ici et où l o choisit la covetio t = si t Comme les itégrades sot positives o majore de toute faço chacue des deux itégrales par les itégrales de à et l o utilise das l itégrade de la deuxième : pour e déduire : X = exp exp exp εh t/ εh t/ K v εh t/ K v εh K η 7M exp dt εh t/ dt K v t dt K η exp εh 7M exp K η 7M t dt;

8 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 8 et il reste à calculer les deux itégrales restates : o a pour toute costate C > : Aisi { X exp exp Ctdt = C et K v εh = 4 { v K e K ε H 49 M v K η e ce qui est l iégalité cherchée exp C tdt = C v K exp K η εh 7M K η } ε H 7 M 49M K η } Deuxième partie stimatio quad la loi du desig est coue 4 Rappels 4 Observatios Les observatios sot costituées des couples iid X i Y i avec Y i = fx i ε i ; les variables ε i état iid cetrées de variace σ et les variables X i ayat pour desité g et foctio de répartitio G et idépedates des couples précédets L objectif est d estimer la foctio de régressio f e commeçat par l estimatio de h = f G e supposat que G est coue L hypothèse pricipale est l apparteace de la foctio h à l espace de Hilbert L ; Ceci va permettre de costruire des estimateurs par projectio sur certais sous-espaces de L ; pour cette foctio 4 Modèles Les modèles sot des sous espaces vectoriels de L ; O ote la collectio S m m M où le cardial de M est fii de cardial dépedat du ombre d observatios Les hypothèses sot les suivates : M Chaque modèle est de dimesio fiie D m telle que D m M Les modèles sot emboîtés c est-à-dire pour tout m m M tel que D m D m S m S m O ote ϕ j j {Dm} ue base orthoormée de S m m M M 3 Il existe ue costate positive φ telle que pour tout idice m M et toute foctio t S m t φ Dm t Ceci équivaut à la propriété suivate : D m ϕ j φ D m O se cotetera des modèles classiques : trigoométriques polyômes par morceaux avec subdivisio dyadique odelettes à support compact 43 spaces de régularité O cosidèrera les espaces de Besov B α pour α > Ceux-ci sot défiis de la maière suivate : pour r u etier positif et v > et ue foctio à valeurs réelles t o pose r r r vtx = r k tx kv k k= pour x choisi tel que x kv ; k { r} suite pour u > le module de régularité est doé par ω r t u = sup <vu r vt Aisi o dit que la foctio t appartiet à l espace de Besov B α si t appartiet à L ; et si pour r = α t B α = sup u> u α ω r t u < L itroductio de ces espaces est justifiée par leurs boes propriétés d approximatio : o utilisera le lemme de l article de Barro Birgé et Massart Risks bouds for model selectio via pealizatio

9 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 9 5 stimatio o adaptative O fixe u idice m M et o estime la projectio orthogoale de la foctio h sur le modèle S m 5 Costructio de l estimateur O défiit le cotraste suivat : t L ; γ G t := t Y i t GX i Justifios ce choix : t L ; γ G t = t Y t GX = t f G t Aisi γ G t est l équivalet empirique de t f G f G qui est miimal quat t = f G Doc miimiser le cotraste γ G fourit aturellemet u estimateur empirique de h = f G O défiit doc 3 ĥ G m = arg mi t S m γ G t ˆf GG m = ĥg m G Il e résulte u uique estimateur dot l expressio est la suivate : 4 ĥ G m = D m â G j ϕ j with j { D m } â G j = Y i ϕ j GX i 5 tude du risque Comme ĥg m estime la projectio h m de h sur le sous espace vectoriel S m il est aturel de décomposer le risque e utilisat f G m := h m G : o décompose la perte de l estimateur avat de predre l espérace O majore déjà le terme de variace : GG ˆf m f g = f f G m g f m G GG ˆf m f g = f f G m g fm G Propositio Avec les otatios ci-dessus fm G GG ˆf m g φ Y D m ˆf GG m g GG ˆf m g

10 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS Preuve O otera das la suite a j = f G ϕ j pour j = D m fm G GG ˆf m D m g = a j â G j ϕ j G = D m a j â G j ϕ j g Or = D m a j â G j = Varâ G j = Var a j â G j puisque les ϕ j j sot orthoormées Y i ϕ j GX i = Var Y ϕ j GX caractère iid des observatios Y ϕ j GX ce qui doe le résultat aocé e sommat sur j et e appliquat l hypothèse de coexio de ormes Pour l étude du biais o suppose maiteat que l espace S m de dimesio D m est l u des modèles suivat : espaces de polyômes trigoométriques espaces fodés sur les polyômes par morceaux de degré iférieurs ou égaux à r ou espaces fodés sur des odelettes à supports compacts Propositio 3 Supposos que h = f G soit u élémet de l espace de Besov B α avec α > fixé α r das le cas où S m est u espace de polyômes par morceaux de degrés iférieurs ou égaux à r Alors il existe ue costate C α e dépedat que de α telle que f fm G g C αdm α Preuve O ote déjà que f fm G g = h h m où l o rappelle que h m est la projectio de h sur S m Par coséquet le terme à majorer est aussi if t Sm h t Le résultat proviet doc directemet d u résultat d approximatio le lemme de l article de Barro Birgé et Massart Risks bouds for model selectio via pealizatio De ces deux propositios o déduit immédiatemet le corollaire suivat :

11 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS Corollaire 4 Sous les hypothèses de la propositio précédete la majoratio suivate du risque GG de l estimateur ˆf m a lieu : GG ˆf m f g C α Dm α φ Y D m t efi u choix optimal de modèle si la régularité de h est coue : Propositio 5 Supposos que h = f G soit u élémet de l espace de Besov B α avec α > fixé α r das le cas où S m est u espace de polyômes par morceaux de degrés iférieurs ou égaux à r Alors le choix d u modèle S m de dimesio D m de l ordre de /α etraîe la majoratio : GG ˆf m f g C α α De plus ce choix est optimal quat à la majoratio du risque obteue das le Corollaire 4 Preuve Il s agit de miimiser e x R la foctio χx := C x/ C x α où C = φ Y et C = C α dérivat o obtiet u uique poit critique x = αc /C /α α et o vérifie qu il s agit bie du lieu d u miimum miimum dot la valeur est χx = C α α où C est ue costate dépedat de C et C 6 stimatio adaptative O e suppose plus fixé u idice m M Disposat de la collectio ˆf Ĝm m M d estimateurs o cherche à sélectioer u idice m coveable sur la base des observatios O propose deux méthodes l ue fodée sur u procédure classique de sélectio de modèles par péalisatio et l autre fodée sur la comparaiso des estimateurs ci-dessus deux à deux basée sur des travaux de Lepski et Goldeshluger 6 Costructio de l estimateur par méthode de Lepski O défiit les deux quatités suivates quel que soit m M et δ > : 5 V m = 6 6 δφ Y Dm Am = max m M ĥ G m ĥg m m V m puisque l o rappelle que la variace d u estimateur 6 ˆm Gl = argmi m M {Am V m} ˆf GG m est majorée par φ Y D m/ L estimateur sélectioé aisi est doc ˆf GG ˆm Gl = ĥgˆm Gl G

12 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 6 Costructio de l estimateur par péalisatio 7 Soiet θ > et δ > deux paramètres fixés O défiit l applicatio pe θδ : m M pe θδ m := 6θ δφ Y D m Soit aussi ˆm Gp argmi m M γ G ĥg m pe θδ m L estimateur sélectioé est ˆf GG ˆm Gp = ĥgˆm Gp G 63 Majoratio du risque pour chacu des deux estimateurs O va obteir les deux théorèmes ci-dessous sous les hypothèses suivates : o se place sur l u des modèles cités plus haut : trigoométriques odelettes à support compact polyômes par morceaux dyadiques le bruit ε admet u momet d ordre p p > 4 la foctio h est borée sur ; Théorème L estimateur sélectioé par méthode de Lepski vérifie l iégalité-oracle suivate : { GG ˆf f ˆm C mi φ Y D m Gl g m M 5 f G m f } C g avec C ue costate e dépedat que de φ h et δ ˆf GG ˆm Gp vérifie l iégalité- Théorème 3 Soiet θ > et δ > deux paramètres fixés L estimateur oracle suivate : { GG θ 8 ˆf f ˆm Gp g mi m M θ f f m G g θ } θ pe θδm θ C θ où l o rappelle que f G m = h m G h m état la projectio orthogoale de h sur S m et où C est ue costate e dépedat que de φ f σ ε p et δ Corollaire 6 Sous les hypothèses des théorèmes précédets et e supposat que la foctio h est das l espace de Besov B α pour α > α r das le cas où S m est u espace de polyômes par morceaux de degrés iférieurs ou égaux à r et borée sur ; pour des deux estimateurs ci-dessus GG ˆf ˆm f g = O α α Preuve du Corollaire 6 O repred les iégalités oracles par exemple 8 pour l estimateur par péalisatio o majore le biais par C α Dm α e utilisat le lemme de l article déjà cité de Barro Birgé et Massart puis o calcule le miimum du membre de gauche de l iégalité-oracle : celui-ci est atteit pour D m de l ordre de /α et vaut la vitesse α/α > aocée ˆf GG ˆm l u Remarque : le jeu d hypothèses suivat coviet aussi pour obteir les mêmes résultats o se place sur l u des modèles cités plus haut : trigoométriques odelettes à support compact polyômes par morceaux dyadiques les dimesios des modèles vérifiet D m / quel que soit m M

13 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 3 le bruit ε admet u momet d ordre p p > la foctio h est borée sur ; uiquemet pour le corollaire et à la place de l hypothèse précédete la foctio h est das l espace de Besov B α α r das le cas où S m est u espace de polyômes par morceaux de degrés iférieurs ou égaux à r avec α > / ceci assure d ue part que D m peut-être à la fois iférieur à et de l ordre de /α ; et d autre part ceci assure automatiquemet alors que h est borée 64 Résultat prélimiaire aux preuves des Théorèmes et 3 Ces deux théorèmes sot fodés sur la majoratio des déviatios du processus empirique suivat : pour t L ; 9 ν t = Y i t GX i t G f g déviatios étudiées par rapport à la quatité suivate défiie pour m m M : pm m = 6 δφ Y D m m Lemme 7 Avec les otatios et hypothèses ci-dessus quel que soit m M sup ν t pm m C m M t S m m t = où C est ue costate e dépedat que de φ f f X σ ε p et δ 65 Preuve du Théorème Das toute la preuve C désigera ue costate dépedat uiquemet des quatités idiquées das l éocé du théorème et pouvat varier d ue lige à l autre O abrège ˆm Gl GGl e ˆm et ˆf ˆm GG e ˆf ˆm O fixe m M O commece par décomposer GG ˆf ˆm f = ĥgˆm h g 3 3 ĥg m ˆm ĥg m 3 ĥg m h ĥgˆm ĥg m ˆm utilisat successivemet la défiitio de A puis celle de ˆm o obtiet GG ˆf ˆm f 3 Am V ˆm 3 A ˆm V m 3 g ĥg m h 6 Am V m 3 ĥg m h L objectif est d obteir ue iégalité de type oracle Le terme V m correspod au terme de variace et le terme ĥg m h a déjà été étudié : il s agit de la perte de l estimateur ĥg m dot l espérace est majorée par la somme d u terme de variace de l ordre de V m et d u terme de biais au carré O a doc ĥ G ˆm h 6 Am 6V m 3φ Y D m 3 h m h

14 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 4 Il reste à majorer le terme Am O utilise le lemme suivat ce qui coclut la preuve Lemme 8 Sous les hypothèses du théorème il existe ue costate C telle que pour tout m M 66 Preuve du Théorème 3 Am C h m h Soit m M fixé crivos das ce paragraphe γ = γ G pe = pe θδ ˆm = ˆm Gp ˆf GG ˆf GGp ˆm ˆm = pour alléger les otatios O commece par utiliser la défiitio de ˆm comme argumet-miimum du cotraste péalisé : γ ĥgˆm pe ˆm γ ĥg m pem O utilise esuite celle de ĥg m comme miimiseur du cotraste sur S m et le fait que h m S m combiat les deux iégalités o a γ ĥg m γ h m γ ĥg m γ h m pem pe ˆm O remplace esuite le cotraste par sa défiitio e remarquat que pour tout t L ; ce qui etraîe par l iégalité GG ˆf ˆm f g t = t G g = t G f g f g t G f g ĥgˆm G f g h m G f g pem pe ˆm ν ĥgˆm } {{ } } {{ } h m fm G f g où le processus ν a été défii ci-dessus cf l equatio 9 Il s agit esuite de se débarrasser du caractère doublemet aléatoire de ν ĥgˆm h m : aléa du ν et aléa de so argumet Das cet objectif o écrit : ν ĥgˆm h m = ĥgˆm h m ν ĥgˆm h m ĥgˆm h m sup t SmS ˆm t = ĥgˆm h m ν t par liéarité de ν = ĥgˆm h m sup ν t car les espaces sot emboîtés t Sm ˆm GG = ˆf ˆm f m G g sup ν t t Sm ˆm où l o ote ici et das la suite Sp = {t S p t = } pour p M O itroduit esuite le paramètre θ > et o utilise l iégalité xy x /θ θy valable pour

15 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 5 tout couple de réels x y pour e déduire : ν ĥgˆm h m ˆf GG ˆm θ f G m g θ θ sup t S m ˆm ν t GG ˆf ˆm f g fm G f g θ sup ν t t S m ˆm O ijecte ceci das l iégalité pour obteir GG ˆf θ ˆm f g f f G θ m g pem pe ˆm θ sup t Sm ˆm ν t O itroduit maiteat pm ˆm quatité positive défiie aussi ci-dessus et l o écrit pour θ > { GG ˆf ˆm θ θ f g f f G θ θ m g pem } θ sup t S m ˆm ν t pm ˆm θpm ˆm pe ˆm Il reste u double aléa das le "sup" qui apparaît das la majoratio : aléa das l idice du modèle e plus de l aléa préset das la défiitio de ν Pour s e débarrasser o majore brutalemet de la faço suivate : GG ˆf ˆm f g θ θ f f m G g θ θ m M θ θ pem θ θpm ˆm pe ˆm θ sup ν t pm m t Sm ˆm La clé de la preuve cosiste à utiliser le Lemme 7 ; o obtiet alors e partat de l équatio GG ˆf ˆm f g θ θ f f m G g La défiitio de pem impose esuite que θ θ pem θ C θ θpm ˆm pe ˆm pem θ θpm ˆm pe ˆm θ puisque l o a Ceci etraîe GG ˆf ˆm f g ce qui est le résultat aocé pm ˆm 6 δφ Y D m D ˆm θ θ f f G m g θ θ pem θ C θ

16 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 6 67 Preuve du Lemme 7 Pour plus de lisibilité o décompose la preuve e 6 étapes Première étape : décompositio de ν L idée directrice est l applicatio de l iégalité de Talagrad à ν t = Y i t GX i t G f g pour t L ; Mais so utilisatio écessite des quatités borées : or Y i t GX i e l est pas a priori O écrit doc avec ν t = ν t = ν t = ν t = ν t ν t ν t fx i t GX i t G f g ε i εi κ t GX i ε i εi κ t GX i ε i εi >κ t GX i ε i εi κ t GX i où κ = c l avec c ue costate dépedat du modèle choisi trigoométrique odelettes polyômes par morceaux Le derier terme s écrit aussi : ν t = ε i εi >κ t GX i ε i εi >κ t GX i e utilisat le fait que ε i = et l idépedace de X i d avec ε i O a aisi ν t 3 ν t t ν ν et si o décompose pm ˆm = p m ˆm p m ˆm o a quel que soit m M { sup ν t pm m 3 sup ν p m m t t Sm m t Sm m 3 sup ν p m m t t Sm m 3 } sup ν t t Sm m O va maiteat majorer chacu des trois termes e appliquat l iégalité de Talagrad pour les deux premiers et ue majoratio de type Markov pour le suivat

17 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 7 Deuxième étape : Majoratio du premier terme Pour t Sm m o s itéresse à ν t = = fx i t GX i t G f g f t X i f t X i où f t : x fxt Gx Pour appliquer l iégalité de Talagrad o commece par détermier les quatités M v H qui itervieet M est u majorat uiforme sur Sm m des f t Or f t f t et comme t S m m il existe b j Dm m ue famille de réels telle que t = b j ϕ j Comme de plus t = o a b j = Doc l iégalité de Cauchy-Schwarz etraîe que t ϕ j φ D m Doc o peut choisir O cherche H majorat de majorer et e écrivat que t T m De plus M = φ f Dm m sup t Sm m ν t sup t Sm m ν Par l iégalité de Cauchy-Schwarz il suffit t comme ci-dessus o obtiet sup t Sm m ν ϕ j ν D m m t = Var ν ϕ j fx i ϕ j GX i = VarfX ϕ j GX doc et o peut doc choisir : D m m f X ϕ jgx ν ϕ j f X φ D m m H D m m = f X φ

18 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 8 v est défii comme u majorat de sup t Sm m / i Varf t X i Comme les doées sot iid cette quatité est égale à Varf t X f t X = b a t Gxf xgxdx = t uf G udu f t udu = f := v O applique maiteat l iégalité : t δh sup t Sm m 4 K v ν K exp δ H v 49 K C δ M exp K Cδ δ 7 H M où Cδ = δ et K = /6 remplaçat esuite M v H par leurs valeurs ci-dessus et e choisissat p m m := 3 δ H il viet e sommat sur m M sup ν p m m t m M t Sm m 3 4 f 49φ exp kdm m K K C δ D m m exp k m M m M où l o a oté k = k δφ f X f K Cδ δ f k = X 7 f Le membre de droite de l iégalité ci dessus fait apparaître deux sommes du même type que l o majore de la faço suivate : χm m { Card m M m m } χm χm m M m M ce qui permet d obteir mχm sup t Sm m ν m M χm p m m t 3 T

19 où STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 9 T = 4 K f { m exp 49φ kd m K C δ m D m exp k 49φ exp k exp kdm K C δ m M m M D m Troisième étape : Majoratio du deuxième terme Pour t S m m o s itéresse à ν t = ε i εi κ t GX i ε i εi κ t GX i = g t ε i X i g t ε i X i où g t ε x := ε ε κ t Gx Comme pour le premier terme pour appliquer l iégalité de Talagrad o commece par détermier les quatités M v H défiit ci-dessus e remplaçat f t par g t qui itervieet : O écrit g t κ t ce qui permet de predre e suivat le choix du M ci-dessus De la même faço o écrit aussi sup t Sm m ν M = κ φ Dm m t D m m ε ε κ ϕ jgx D m m ε ϕ jgx φ σ D m m := H Pour la quatité v comme ci-dessus la variace de la somme est fois la variace idividuelle puis o majore la variace idividuelle par l espérace du carré et l idicatrice par pour faire sortir σ t GX = σ := v Comme pour le premier terme o applique l iégalité o somme sur m et e choisissat p m m := 3 δ H il viet sup t Sm m ν 4 K σ exp m M p m m t 3 kd m m 49φ κ K C δ m M D m m exp k

20 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS où l o a oté k = k δφ K Cδ δσ k = 7 O coclut ecore comme pour le premier terme : ν p m m t 3 où sup t Sm m T = 4 { σ m K exp kd m 49φ K C δ σ exp m M m κ D m exp kd m 49φ exp k K C δ T k κ κ κ m M D m Quatrième étape : Majoratio du troisième terme Pour t Sm m o s itéresse à ν t = ε i εi >κ t GX i ε i εi >κ t GX i Ce processus empirique est pas boré doc o e peut espérer lui appliquer l iégalité de Talagrad écrivat ce que sigifie t T m comme explicité ci-dessus das l étude du premier terme o obtiet : et sup t Sm m ν D m m t ν ϕ j = Var ν ϕ j ε i εi >κ ϕ j GX i D où D m m ε ε >κ ϕ j GX ν ϕ j ε ε >κ φ D m m φ κ p ε p ε >κ Dm m O e déduit doc : sup t Sm m ν φ κ p ε p D m m t φ ε p D m m κ p

21 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS sommat sur m et e appliquat la même démarche que pour les deux premiers termes o obtiet : t T 3 où où sup t Sm m T 3 = φ ε p ν md mκ p κ p résumé ous avos obteu : sup ν t pm m t Sm m T = m M 4 K f { m exp 49φ kd m K C δ 49φ exp k exp kdm K C δ m M T = 4 { σ m K exp kd m 49φ K C δ σ exp m M T 3 = φ ε p m M D m 3T T T 3 m D m exp k m κ D m exp kd m 49φ exp k K C δ md mκ p κ p m M D m m M D m κ κ k κ m M D m Ciquième étape : Coclusio de la majoratio du processus empirique das le cas des modèles fodés sur la base trigoométrique O choisit maiteat le modèle fodé sur la base de Fourier pour coclure la majoratio Das ce cadre D m = m m / doc m et m O exploite ceci pour majorer les quatités T T T 3 O commece par cosidérer séparémet les termes présets das T T T 3 et faisat iterveir m et Das les calculs qui suivet k pourra être remplacé par k quad o majorera T au lieu de T m exp kd m = exp k m exp km exp k k la derière majoratio découlat de l étude de la foctio u u exp ku dot le maximum est atteit e / k suite md m / /

22 Puis et d où STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS m M exp kd m m M D m exp k exp kd m = m= / m = m CardM exp k exp k // / 4 /4 D m /4 exp k e m M k comme le motre l étude de u u exp k u qui atteit so maximum e 4/ k Ceci ous permet déjà d écrire e otat que φ = ici C = 4 f K T C où C est ue costate dépedat de δ f f X mais i de i de m : précisémet { } e k e k k 96e K C δ k 98e e k K C δ k Il s agit esuite de motrer que T est e O/ O rappelle que κ Ceci aisi que l utilisatio des majoratios ci dessus motret que l o a κ exp k D m κ 4 exp k κ m M O impose que cette derière quatité soit majorer par C/ où C est ue costate Choisissos par exemple C = /4 pour fixer les idées O obtiet doc k exp = κ k l Le choix de κ = k l md m κ exp κ permet d écrire k κ k = md m 4 l exp l Aisi k 4 l = l k 4 < k 4 T C

23 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 3 où C est ue costate dépedat de δ φ σ mais i de i de m : précisémet { } C = 4 e k K k σ 49 k K C δ e k σ e 49 k K C δ fi il s agit de motrer que l o a T 3 = O/ pour le choix de la puissace d itégrabilité de ε : p avec p > 4 O a p p κ p md m k p/ l p = k p/ l p et d après les calculs qui précèdet κ p m M D m k p κ p 4 = p k 4 p/ l p Aisi les deux termes iterveat das la majoratio de T 3 sot du même ordre de gradeur Comme p > 4 p < Par suite p p k 5 où C 3 = 4 φ εp = k 5 εp T 3 C 3 Remarquos que c est à ce iveau que le choix p = 4 etraîe u perte d u facteur l 4 das la majoratio : il reste alors T 3 C 3 l 4 ce qui suffit tout de même pour avoir ue majoratio égligeable de l espérace du processus empirique cf les remarques suivat le théorème De plus otos aussi que si l o suppose D m l ordre de gradeur des deux termes deviet p/ l et l hypothèse d itégrabilité mois lourde p > etraîe p/ < et le même résultat sur T 3 Fialemet o obtiet m M sup ν t pm m t Sm m C où C = 3C C C 3 et pm m = p p m m = 6 δφ f X σ D m m 6 δφ Y D m m ce qui coclut la preuve das le cas des modèles trigoométriques = Sixième étape : Coclusio de la majoratio du processus empirique das le cas des modèles fodés sur les polyômes par morceaux dyadiques ou les odelettes O rappelle que das ce cadre D m = k m où k = r pour les polyômes par morceaux k = pour les odelettes et la coditio D m etraîe l lk m = m max l

24 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 4 O repred la démarche adoptée au poit précédet c est à dire que l o majore les quatités dépedats de et m et iterveat das T T ou T 3 O sera cepedat mois précis sur les costates présetes das les majoratios la défiitio même de D m = m compliquat quelque peu leurs expressios explicites par rapport au D m = m précédet Aisi das les liges qui suivet c désige ue costate qui peut chager d ue lige à l autre L étude de la foctio u u exp k k u atteigat u maximum e u = lk k l/ l ous permet d affirmer : suite md m m exp kd m c l l = c l c Puis exp kd m est le terme gééral d ue série covergete somme sur m M N et efi m max D m = k m = k mmax c m M m = par costructio de m max Aisi aux costates différetes près o est exactemet das le même cas que das le cas du modèle fodé sur la base trigoométrique et tout le raisoememt fait précédemmet s applique Fialemet o obtiet aussi m M sup ν t pm m t Sm m C où C est ue costate dépedat de φ f f X σ ε p et δ 68 Preuve du Lemme 8 O doit majorer pour chaque m M Am = max m M { ĥ G m ĥg m m V m } Pour chaque idice m M o décompose ĥg m ĥg m m 3 ĥ G m h m 3 hm h m m 3 h m m ĥg m m Aisi Am 3 max m M ĥ G m h V m m 3 max hm m 6 m M V m ĥg m m 6 3 max m M h m h m m := 3 T a T m b T m c O a doc trois termes dot o doit majorer l espérace

25 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 5 68 Majoratio de T a O majore brutalemet le premier de la faço suivate : T a t l o remarque que l o a m M { ĥ G m h V m } m 6 ĥg m h m = = = D m âg j a j D m D m Y i ϕ j GX i Y i ϕ j GX i νϕ j où ν est le processus empirique cetré défii par l égalité 9 De plus o a l égalité D m ν ϕ j = sup t Sm ν t où Sm désige la sphère uité du modèle S m effet si t Sm t = D m b jϕ j avec j b j = O peut doc écrire : ν t = D m b j ν ϕ j b j j ν ϕ j = j j ν ϕ j par l iégalité de Cauchy-Schwarz avec égalité pour le choix b j = ν ϕ j / j ν ϕ j Aisi T a m M { } sup νt V m t Sm 6 Le Lemme 7 appliqué e remplaçat m m par m et pm m par pm m prouve que cette derière quatité est bie majorée par C/ pour le choix de V m = 6 pm m qui est celui idiqué à la lige 5 68 Majoratio de T m b

26 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 6 Pour majorer ce secod terme o distigue les cas m m et m > m : { Tb m = max hm m m M V m } ĥg m m 6 = max max m M m m { hm ĥg m V m 6 { hm max T a max m M ĥg m m >m { hm max T a ĥg m V m 6 { hm T a ĥg m V m } 6 } V m 6 } max m M m >m } { hm ĥg m V } m 6 où l o a utilisé que pour m < m V m V m Le paragraphe précédet prouve esuite que T a est majoré par C/ et le Lemme 7 appliqué cette fois e substituat m à m m etraîe a fortiori qu il e est de même pour le secod terme de la somme ci-dessus puisque ce serait même vrai pour la somme sur m M de ce terme Aisi T m b C/ 683 Majoratio de T m c Ce terme est pas aléatoire c est u terme de biais O le cotrôle de la faço suivate : T m c = max m M h m h m m max m M mm h m h m max m M mm h m h h h m Or si m m S m S m doc la projectio orthogoale h m de h sur S m est aussi das S m Comme h m est la projectio de h sur S m o a par coséquet Aisi h m h h m h T m c 4 h m h 69 stimatio adaptative par péalisatio suite : ue péalité aléatoire Das le Théorème 3 o a défii : m M pe θδ m := 6θ δφ Y D m Or l espérace de Y est icoue La questio qui se pose est doc celle de so remplacemet par u estimateur O veut bie sûr coserver l iégalité oracle pour l estimateur sélectioé à partir d ue ouvelle péalité etièremet coue Le théorème suivat résout ce problème

27 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 7 Théorème 4 O se place sous les hypothèses du Théorème 3 Soiet θ > δ > < b < trois paramètres fixés O ote Y = / Y i et o défiit l applicatio pe θδ : 3 m M pe θδb m := 6 b θ δφ Y Soit aussi ˆm a argmi m M γ G ĥg m pe θδb m ˆf GG D m Alors l estimateur ˆm = a ĥgˆm G vérifie l iégalité-oracle suivate : a { } GG ˆf ˆm f a θ 4 mi f f G θ b m g m M θ g θ pe θδm θ C θ où l o rappelle que fm G = h m G h m état la projectio orthogoale de h sur S m et où C est ue costate e dépedat que de φ f σ ε p δ Y 4 et Y Preuve O otera pour simplifier pe et pe les deux péalités e omettat de mettre e idice les paramètres dot elles dépedet O défiit l esemble { } Y Ω b = Y < b O décompose aisi le risque de l estimateur : GG GG ˆf ˆm f = ˆf a ˆm f a GG Ω b ˆf ˆm g a g f Ω c b g O a doc deux termes à majorer L idée est la suivate : sur Ω b l estimateur Y est proche de la quatité qu il estime Y doc la majoratio du premier terme se ramèe à la preuve du Théorème 3 Pour le secod terme l idée est d utiliser que la probabilité de Ω c b est petite et doc de majorer f g par ue quatité o aléatoire ˆf GG ˆm a GG Majoratio de ˆf ˆm f g a Ωb Notos déjà que sur Ω b o a les deux iégalités suivates : Y b Y Y b Y O procède tout d abord comme das la preuve du théorème où la péalité est détermiiste : o obtiet { GG ˆf ˆm f a θ θ f f G g θ θ m g pem θ sup ν t pm m θpm ˆm a pe ˆm a θ m M t S m m t = où l o rappelle les otatios suivates pm ˆm a = 6 δφ Y D m ˆm a ν t = Y i t GX i t G f g

28 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 8 Puis l applicatio de l iégalité de Talagrad justifie l existece d ue costate C telle que sup ν t pm m C t S m m t = m M O obtiet doc toujours GG ˆf ˆm f a Ω b g θ f f G θ m g θ Ωb θ pem θ θ Mais l o a sur l évèemet Ω b : O aboutit doc à GG ˆf ˆm f a Ω b g C θpm ˆm b = 6θ δ Y D m D ˆm a 6θ δy D m D ˆm a = pem pe ˆm a θ f f G m θ g θ θ Ωb θpm ˆm b pe ˆm a θ θ Ω b pem θ C θ O utilise efi l iégalité pem bpem valable sur Ω b pour coclure O aboutit doc à GG ˆf ˆm f a Ω b θ f f G g θ m bθ θ C pem g θ θ GG Majoratio de ˆf ˆm f g a Ω c b O va motrer que ce terme est e O/ ce qui suffira Commeços par majorer Partat de l iégalité γ G puis pour u θ > ν ĥgˆm a h ˆm a D où pour u θ > ˆf GG ˆm a ˆf GG ˆm a ˆf GG ˆm a f g γ G f ˆm a o obtiet classiquemet f f ˆm a g f g ν ĥgˆm a h ˆm a θ ˆf GG ˆm a θ ˆf GG ˆm a f ˆm a g θ sup t S ˆm a t = f g θ f f ˆm a g θ ν t sup t S ˆm a t = θ θ f ˆm a f g θ θ sup ν t t S ˆm a t = θ θ f g θ θ sup ν t t S ˆm a t = ν t ˆf GG ˆm a f g

29 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 9 O bore esuite le supremum sur u esemble aléatoire sup ν t sup ν t pem t S ˆm a t = t S m t = Par suite GG ˆf ˆm f a Ω c b g m M θ θ f g P Ωc b θ θ sup ν t pem m M t S m t = pe ˆm a pe ˆm a Ω c b O remarque que pe ˆm a 6θ δφ Y e utilisat D ˆm a ce qui etraîe GG ˆf ˆm f a θ Ω c b g θ f g θ θ 6θ δφ Y P Ω c b θ θ sup ν t pem t S m t = m M Il reste doc deux quatités à borer par u O/ Le Lemme 7 s applique pour le cotrôle du processus empirique e remplaçat ˆm m par m et e otat que pm m = pem O a doc m M sup ν t pem t S m t = = O Quat à la majoratio de la probabilité du complémetaire de Ω b l argumet pricipal e est l iégalité de Bieaymé-Tchebitcheff : P Ω c Y b = P Y < b Y b Y Var Y 4 b Y Y Le derier majorat état e O/ cela termie la preuve Troisième partie 3 stimatio quad la loi du desig est icoue 7 Rappels 7 Observatios O rappelle que les observatios sot costituées des couples iid X i Y i avec Y i = fx i ε i les variables ε i état iid cetrées de variace σ aisi que des variables X i i = idépedates etre elles de même loi que les variables X i desité g foctio de répartitio G et idépedates des couples précédets L objectif est d estimer la foctio de régressio f e commeçat par l estimatio de h = f G

30 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 3 7 Modèles O cosidère les modèle trigoométriques pour m M où pour x ; S m := Vect {ϕ ϕ j ϕ j j = m} ϕ x = ϕ j x = cosπjx ϕ j x = siπjx O ote toujours D m = m la dimesio de S m et m max l idice du plus gros modèle de la collectio O rappelle qu u tel modèle S m vérifie l hypothèse de coexio de ormes avec φ = De plus les foctios de la base état de classe C o pourra appliquer la formule de Taylor-Lagrage aux ordres qui ous serot écessaires O utilisera aussi des majoratios uiformes des dérivées successives : r N\{} j { } ϕ r j πj r = ϕ r j r ϕ r Dm r O remarque aussi que l o a les égalités suivates pour j : ϕ j = πjϕ j ϕ j = πj ϕ j ϕ j = πjϕ j ϕ j = πj ϕ j 73 spaces de régularité Das ce cadre o va faire l hypothèse que la foctio h est das u espace de Sobolev périodisé défii par { } W per β L := h W β L j = β hj = h j où l o a W β L := {h : ; R h β est absolumet cotiue et h β x dx L } le choix de tels espaces se justifiat par les propositios suivates qui ous serot utiles : Propositio 9 Soiet β N\{} et L > Ue foctio h = θ jϕ j est das l espace W per β L si et seulemet si θ j j est das l ellipsoïde Θβ L /π β Rappelos que pour β N\{} et Q > o ote Θβ Q := θ l N αjθ j Q où α j j N\{} est défiie par α j = { j β si j est pair j β sio Remarquos que pour β β o a Θβ L /π β Θβ L /π β et par la propositio 9 l iclusio aalogue est valable pour les espaces de Sobolev périodisés : W per β L W per β L ce qui ous sera utile De plus cette propositio permet d étedre la défiitio des W per β L à des valeurs o etières de β : ue foctio est das u tel espace si et seulemet si la suite de ses coefficiets de Fourier est das l ellipsoïde correspodat Ue autre propriété justifie aussi l usage de ces espaces : Lemme Soiet L > et h W per L C O ote Π Sm orthogoale sur l espace S m Alors Π Sm h = Π Sm h l opérateur de projectio

31 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 3 fi ue propriété d approximatio similaire au lemme de Barro Birgé et Massart est obteue pour ces espaces : o e déduira des vitesses de covergeces vers du risque des estimateurs 74 Rappels sur la foctio de répartitio empirique O ote das toute la suite et pour tout i { } U i = GX i et Û la foctio de répartitio empirique associée au échatillo U i i O rappelle le résultat suivat cocerat la loi des U i : Lemme Quel que soit i { } U i suit la loi uiforme sur ; Lemme Quel que soit u R o a l égalité ĜG u = Ûu O utilisera l iégalité suivate qui est ue versio "uiforme" de l iégalité de Hoeffdig c est à dire qui permet de cotrôler uiformémet les déviatios de la répartitio empirique autour de so espérace Propositio 3 Iégalité de Dvoretzky-Kiefer-Wolfowitz Il existe ue costate C > telle que pour tout etier et pour tout λ > P sup Ûu u λ C exp λ u R C est précisémet ue versio itégrée de cette iégalité qui va ous servir O ote désormais Û id à la place de sup u R Û u u Corollaire 4 Pour tout p N\{} il existe ue costate C p telle que Û id p C p p/ O utilisera aussi ue autre versio itégrée : Corollaire 5 Pour tout κ > pour tout p N p il existe ue costate umérique C telle que Û id p p κlp/ C p κ /p p/ De plus o a l iégalité suivate : Û id κl C κ Preuve du Corollaire 5 Pour la première iégalité o ote déjà que pour toute variable Z Z = R PZ > tdt : Û id p κlp/ p/ = = P Û id p κlp/ p/ > t P Û id p κlp/ > t dt p/ dt P /p Û id > t κ lp/ p/ dt

32 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 3 O dispose de l iégalité a b /p /p a /p b /p valable pour a b > : e effet o a par cocavité de la foctio u : x x /p a b /p a /p b /p Par coséquet e utilisat ceci puis l iégalité de DKW Û id p κlp/ 5 C p/ P Û id > p/p t /p κ/p l / ; / dt exp p/p t /p κ/p l / / dt C exp { p/p κ /p l p C p κ /p } { exp p/p t /p} dt où l o a utilisé pour l iégalité 5 que a b a b pour a b > et pour la derière lige de calcul la majoratio de l itégrale restate par Pour la secode iégalité o ote déjà que pour toute variable Z Z = R tpz > tdt puis la majoratio est du même type : Û id κl tp Û id κl > t dt = tp Û id > κ l t dt C t exp κ l t dt = C/ κ u exp udu = C/ κ 8 stimatio o adaptative O fixe u idice m M et o estime la projectio orthogoale de la foctio h sur le modèle S m 8 Costructio de l estimateur Das le cas où G était coue o cosidérait le cotraste t L a; b γ G t := t g Y i t GX i

33 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 33 puis u estimateur miimisat ce cotraste ĥg m = argmi t Sm γ G t O obteait alors l écriture explicite suivate : ĥ G m = D m â G j ϕ j où j { D m } â G j = Y i ϕ j GX i et le calcul de l espérace des â G GG j ous avait icité à poser ˆf m = ĥg m G Supposat maiteat que G est icoue o l estime à l aide de la répartitio empirique calculée à partir de la moitié des observatios : Ĝ : x X i x O se sert de la techique de plug-i : o remplace G partout où elle iterviet par so estimateur O défiit aisi j { D m } âĝj = Y i ϕ j ĜX i puis et efi l estimateur que l o va étudier est 6 ˆf ĜĜ m D m ĥĝm = âĝj ϕ j = ĥĝm Ĝ Remarquos que ĥĝm est aussi l estimateur miimisat sur l espace S m le cotraste γĝ défii pour t L ; par 7 γĝ t = t D m Y i t ĜX i Notre objectif est ici de motrer que sous certaies cotraites sur la valeur de D m et sur le choix du modèle S m la vitesse obteue das le cas où G était coue est coservée pour ĜĜ l estimateur ˆf m 8 Résultats prélimiaires à l étude du risque O rappelle les otatios pour j { D m } a j = h ϕ j = f G uϕ j udu â G j = Y i ϕ j GX i âĝj = Y i ϕ j ĜX i Nous avos motré au chapitre précédet que â G j = a j et ous utiliseros le calcul suivat : Lemme 6 Quel que soit j { D m } âĝj X l l {} = f G uϕ j Ûudu Preuve Par liéarité de l espérace coditioelle et e otat que les variables Y i ϕ j ĜX i sot

34 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 34 idetiquemet distribuées pour i = coditioellemet à X l âĝj X l l = Y ϕ j ĜX X l l = fx ϕ j ĜX X l l ε ϕ j ĜX X l l = fx ϕ j ĜX X l l := χx X l l X l l où l o a aussi utilisé que ε et ϕ j ĜX sot idépedats coditioellemet à X l l puis que l espérace coditioelle de ε est ulle car égale à so espérace par idépedace avec X l De plus X est idépedat de X l l ce qui permet d itégrer par rapport à sa loi pour calculer la derière espérace : b âĝj X l l {} = χx X l l gxdx = f G uϕ j ĜG udu a e posat u = Gx O coclut e utilisat le lemme ci-dessus 83 tude du risque ĜĜ 83 océ des résultats Pour évaluer le risque quadratique itégré de l estimateur ˆf m ous allos utiliser les résultats cocerat le risque de l estimateur costruit das le cas où la loi du GG desig est supposée coue ˆf m aisi que l itermédiaire suivat : ˆf ĜG m := ĥĝm G = Nous allos démotrer les résultats suivats : D m âĝj ϕ j G Propositio 7 Supposos que l o travaille avec S m le modèle trigoométrique classique et que h = f G est de classe C et das W per L pour u certai L > Alors si D m /3 / l /3 il existe ue costate C > dépedat de L f h h φ ϕ r pour r = des costates C p p = de l iégalité de Dvoretzky-Kiefer-Wolfowitz et de Y telles que ĜĜ ˆf m f g 6 f f G m g C D m Propositio 8 Supposos que l o travaille avec S m le modèle trigoométrique classique et que h = f G est de classe C et das W per L pour u certai L > Alors si D m /4 il existe ue costate C > dépedat de L f h h φ ϕ r pour r = des costates C p p = de l iégalité de Dvoretzky-Kiefer-Wolfowitz et de Y telles que ĜĜ ˆf m f g 6 f fm G g 36φ Y D m C l O e déduit u choix optimal pour D m das le cas où la régularité au ses des espaces de Sobolev de la foctio h est coue C est l objet des deux corollaires qui suivet Corollaire 9 Supposos que l o travaille avec S m le modèle trigoométrique classique et que h = f G est de classe C et das W per α L pour u certai L > u certai α et D m /3 / l /3 Alors o a la majoratio suivate pour ue certaie costate C > : ˆf ĜĜ m f 6 L g D α πα m C D m l

35 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 35 L hypothèse α assure que h W per L Corollaire Supposos que h = f G est das W per α L pour u certai L > u certai α Supposos aussi que h est de classe C Alors le choix du modèle trigoométrique classique S m avec D m d ordre /α assure la majoratio suivate du risque : où C est ue costate ˆf ĜĜ m f g C α α Remarque : le choix α assure que si D m est de l ordre /α alors D m /3 / l /3 ce qui était exigé pour avoir la majoratio du risque Itroductio à la preuve de la propositio 7 O décompose la perte de otre estimateur de la faço suivate : ĜĜ ˆf m f f f G g m g fm G GG ˆf m g GG ĜG ˆf m ˆf m ˆf GG ĜG g m ˆf m X l l ĜG ĜĜ ˆf m ˆf m ˆf ĜG ĜĜ g m ˆf m X l l ˆf GG ĜG g m ˆf m X l l ˆf ĜG ĜĜ g m ˆf m X l l O utilise esuite la covexité de la foctio x x pour obteir où ˆf ĜĜ m f 4 6 g ˆf GG l= T m = f fm G g fm G m g T m GG ĜG = ˆf m ˆf m ˆf GG m T m ĜG ĜĜ = ˆf m ˆf m ˆf ĜG m T3 m = ˆf GG ĜG m ˆf m X l l ˆf ĜG m T m l ˆf ĜG m X l l g ˆf ĜĜ m X l l g T4 m ĜĜ = ˆf m X l l g est le majorat du risque das le cas où G était supposée coue Par coséquet Le terme T m o l a déjà traité : T m C α Dm α φ Y D m Il s agit doc de majorer d ue part Tl m l = et Tl m l = 3 4 d autre part O utilise les lemmes suivats : dot les démostratios fot l objet des prochais paragraphes : Lemme Sous les hypothèses de la Propositio 7 g T m C ϕ Y D 3 m

36 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 36 Si D m / e particulier T m C ϕ Y D m Lemme Sous les hypothèses de la Propositio 7 T m C Y φ ϕ Dm 4 Si D m /3 e particulier T m C Y φ ϕ D m Lemme 3 Sous les hypothèses de la Propositio 7 T3 m 6 C h φ Y D m 8 C 6 ϕ 3 h D7 m 3 3C 4 π 4 /4 h D4 m particulier si D m /3 T3 m 6 C h φ Y 3C 4 π 4 /4 h C 6 ϕ 3 Dm h Lemme 4 Sous les hypothèses de la Propositio 7 D T4 m 4 C m l D7 m l 3 D m l 4 D6 m 4 D3 m D m 3/ où C est ue costate foctio de h h ϕ ; ϕ 3 ; h Y et φ particulier si D m /3 / l /3 84 Preuve du Lemme T m 4 C D m Tout d abord la défiitio des estimateurs iterveats das la défiitio de T m d écrire T m D m = â G j âĝj â G j âĝj X l l ϕ j G utilisat esuite le lie etre g et aisi que l orthoormalité des ϕ j o e déduit : et doc T m = D m T m X l l = â G j âĝj â G j âĝj X l l D m Var â G j âĝj X l l O calcule et majore chacue des variaces de la somme Pour j { D m } Var â G j âĝj X l l = Var Y ϕ j GX ϕ j ĜX X l l g permet

37 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 37 où l o a utilisé que â G j âĝj s écrit comme ue moyee des Y i ϕ j GX i ϕ j ĜX i qui sot iid coditioellemet à X l l O obtiet esuite Var â G j âĝj X l l Y ϕ j GX ϕ j ĜX X l l = fx ϕ j GX ϕ j ĜX X l l ε ϕ j GX ϕ j ĜX X l l = fx ϕ j GX ϕ j ĜX X l l σ ϕ j GX ϕ j ĜX X l l e utilisat les propriétés de ε : successivemet so idépedace avec toute foctio de X et X l l le fait qu il est cetré et le fait que sa variace est otée σ O utilise l iégalité des accroissemets fiis pour écrire ϕ j GX ϕ j ĜX ϕ j GX ĜX ϕ j G Ĝ ce qui etraîe T m X l l = Y f X σ Dm Dm ϕ j O majore la somme par D m D m ϕ pour obteir ϕ j id Û G Ĝ T m X l l D3 m ϕ Y id Û L applicatio du Corollaire 4 avec p = permet de coclure T m C ϕ Y Dm 3 85 Preuve du Lemme

38 T m O calcule = = = STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 38 a;b a;b ; ĥĝ m Gx Ĝ x ĥĝm ĥĝ m Gx Ĝ ĥĝm x X l l gxdx D m D m âĝj âĝj âĝj X l l ϕ j Gx ϕ j Ĝx âĝj X l l ϕ j u ϕ j Ûu du gxdx Il viet esuite par l iégalité de Cauchy-Schwarz puis celle des accroissemets fiis D m D m âĝj âĝj Ûu X l l ϕ j u ϕ j du 9 T m ; D m ϕ âĝj D3 m âĝj X l l Û id Û id D m Par suite T m ϕ D3 m Û id Dm Or âĝj âĝj X l l X l l = = D m âĝj D m D m ϕ j âĝj X l l âĝj Var âĝj X l l D m D m âĝj X l l X l l Var ϕ j Ĝ X Y X l l ϕ j Ĝ X Y X l l D m ϕ j D m ϕ j φ Y D m Y X l l Y

39 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 39 Aisi il reste à appliquer le Corollaire 4 : T m Y φ ϕ D 4 m Û id = C Y φ ϕ Dm 4 86 Preuve du Lemme 3 O a d abord et doc T m 3 = = ˆf GG m D m T m 3 = â G j D m âĝj ĜG ˆf m X l l g { X l l e utilisat l orthoormalité des ϕj f G u ϕ j u ϕ j du} Ûu e utilisat les calculs prélimiaires d espérace ci-dessus O effectue alors u développemet de Taylor-Lagrage à l ordre 3 pour chaque foctio ϕ j j { D m } Il existe u réel aléatoire et dépedat de j ˆα ju tel que ϕ j u ϕ j Ûu = ϕ juu Ûu ϕ u Ûu j u ϕ 3 u Ûu 3 j ˆα ju 6 O e déduit ue majoratio e trois termes : où l o a oté T m 3 = D m T m 3 = /4 T m 33 = /6 { D m D m T m 3 3T m 3 3T m 3 3T m 33 hu Û u u ϕ judu} { { hu Û u u ϕ j udu} Pour majorer le premier terme l idée est d abord d écrire u Ûu = 3 3 hu Û u u ϕ j ˆα ju du} Ui u Ui u

40 ce qui etraîe : STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 4 T m 3 = D m A ij A ij où A ij = U i huϕ judu O itègre alors par parties pour calculer A ij o pred ue primitive de ϕ j et o dérive h = f G que l o a supposé C et l o obtiet quel que soit j { D m } et i { } A ij A ij = hu i ϕ j U i hu i ϕ j U i Ui u Ui u h uϕ j udu Par suite e sommat sur i élevat au carré et sommat sur j o dispose à ouveau ue majoratio e deux termes T m 3 T m 3 T m 3 avec les otatios T m 3 = T m 3 = D m D m { hu i ϕ j U i hu i ϕ j U i } { h u Û u u ϕ j udu} L espérace du terme T3 m est ue somme sur j de variaces de moyees empiriques que l o calcule et majore comme pour T m et T m : T3 m = D m hu ϕ j U hu duφ D m D m ϕ j hu du = φ fx D m φ Y D m e utilisat la coexio de ormes et la défiitio de h Quat au terme T m 3 o remarque qu il s agit de la orme d ue projectio sur S m et o le majore e utilisat que la orme du projeté est iférieure ou égale à la orme de la foctio que l o projette : T m 3 = D m h ΠSm Û id ϕ j = h Û id h Û id h Û id utilisat le Corollaire 4 pour coclure o a T m 3 C h / Par suite T3 m C h φ Y D m

41 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 4 Pour majorer le terme T3 m o commece par remarquer que pour j ϕ j = πµ j ϕ j où l o ote µ j = j si j est pair et µ j = j si j est impair Par coséquet T3 m = π 4 /4 D m π 4 /4Dm 4 = π 4 /4Dm 4 { D m D m } hu Û u u µ j ϕ j udu { } hu Û u u ϕj udu { } h Û id ϕj = π 4 /4Dm 4 Π S m h Û id π 4 /4D 4 m h Û id π 4 /4Dm 4 Û id 4 h udu ; C 4 π 4 /4 h D4 m fi pour le derier terme T33 m = /6 /6 C 6 6 D m D m ϕ 3 j ϕ 3 { } 3 3 hu Û u u ϕ ˆα ju du h Û id h D7 m 3 6 j 3 résumé T3 m 6 C h φ Y D m C 6 ϕ 3 h D7 m 3 3C 4 π 4 /4 h D4 m 87 Preuve du Lemme 4

42 STIMATION D UN FONCTION D RÉGRSSION AVC DS BASS DÉFORMÉS 4 O commece à décomposer le derier terme de la faço suivate : T4 m = ˆf ĜG ĜĜ m ˆf m X l l g D m = âĝj ϕ j G ϕ j Ĝ X l l g D m âĝj a j ϕ j G ϕ j Ĝ X l l := T m 4 T m 4 Commeços par majorer T m 4 : T m 4 où l o ote T4 m = T4 m = a;b a;b = D m D m D m g D m Ĝx âĝj a j ϕ j Gx ϕ j âĝj a j D m D m âĝj a j T m 4 T m 4 ; ; D m D m âĝj Le premier terme s écrit aussi T m 4 = D m et le secod se simplifie e ; âĝj X l l âĝj X l l a j Var âĝj X l l ; T4 m = T mb 3 ; d après la lige de calcul e otat 4 T mb 3 = D m D m a j ϕ j G ϕ j Ĝ X l l X l l gxdx ϕ j Gx ϕ j Ĝx X l l gxdx ϕ j u ϕ j Ûu du X l l D m D m D m ϕ j u ϕ j Ûu X l l du ϕ j u ϕ j Ûu X l l du ϕ j u ϕ j Ûu du ϕ j u ϕ j Ûu du âĝj X l l a j g

Agrégation externe de mathématiques, session 2008 Épreuve de modélisation, option A : Probabilités et Statistiques

Agrégation externe de mathématiques, session 2008 Épreuve de modélisation, option A : Probabilités et Statistiques Agrégatio extere de mathématiques, sessio 2008 Épreuve de modélisatio, optio (public 2008) Mots clefs : Loi des grads ombres, espace des polyômes, estimatio o-paramétrique Il est rappelé que le jury exige

Plus en détail

STATISTIQUE : ESTIMATION

STATISTIQUE : ESTIMATION STATISTIQUE : ESTIMATION Préparatio à l Agrégatio Bordeaux Aée 202-203 Jea-Jacques Ruch Table des Matières Chapitre I. Estimatio poctuelle 5. Défiitios 5 2. Critères de comparaiso d estimateurs 6 3. Exemples

Plus en détail

Séries entières. Chap. 09 : cours complet.

Séries entières. Chap. 09 : cours complet. Séries etières Chap 9 : cours complet Rayo de covergece et somme d ue série etière Défiitio : série etière réelle ou complee Théorème : lemme d Abel Théorème : itervalle des valeurs positives où ue série

Plus en détail

Racine nième Corrigés d exercices

Racine nième Corrigés d exercices Racie ième Corrigés d eercices Page 9 : N 8, 8, 8, 86, 88, 89, 9, 9, 9, 97 Page 6 : N, Page 6 : N Page 67 : N 8 Page 6 : N N 8 page 9 6 6 6 6 6 ( ) = = = = = = = = ( ) = = = = = = ( ) 8 = 8 = = = = = =

Plus en détail

SESSION DE 2004 CA/PLP

SESSION DE 2004 CA/PLP SESSION DE 4 CA/PLP CONCOURS EXTERNE Sectio : MATHÉMATIQUES SCIENCES PHYSIQUES COMPOSITION DE MATHÉMATIQUES Durée : 4 heures L usage des calculatrices de poche est autorisø (coformømet au directives de

Plus en détail

Estimations et intervalles de confiance

Estimations et intervalles de confiance Estimatios et itervalles de cofiace Estimatios et itervalles de cofiace Résumé Cette vigette itroduit la otio d estimateur et ses propriétés : covergece, biais, erreur quadratique, avat d aborder l estimatio

Plus en détail

1 Programme de l agrégation interne

1 Programme de l agrégation interne Séries umériques Programme de l agrégatio itere Partie 0b : Séries de ombres réels ou complexes Séries à termes positifs La série coverge si et seulemet si la suite des sommes partielles est borée Étude

Plus en détail

Estimation par vraisemblance

Estimation par vraisemblance 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

Plus en détail

E(X i ) par linéarité de l espérance.

E(X i ) par linéarité de l espérance. Statistiques appliquées. L3 Iterrogatio Questios de cours. 3 poits 1) Eocer le théorème cetral limite (1 pt). Si (X ) est ue suite de v.a. idépedates et de même loi, admettat des momets d ordre u et deux

Plus en détail

Terminale S (2014-2015) Suites numériques

Terminale S (2014-2015) Suites numériques Termiale S (04-05) Suites umériques Raisoemet par récurrece. Itroductio E Mathématiques, u certai ombre de propriétés dépedet d u etier aturel. Par exemple, la ( + ) somme des etiers aturels de à est égale

Plus en détail

Développement d une fonction en série entière. Exemples et applications

Développement d une fonction en série entière. Exemples et applications Développemet d ue foctio e série etière Exemples et applicatios Das ce chapitre, K désigera R ou C B(; R) désigera la boule ouverte de cetre et de rayo R > 1 Gééralités Défiitio 1 Soit f ue applicatio

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

Exo7. Applications linéaires continues, normes matricielles. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.

Exo7. Applications linéaires continues, normes matricielles. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france. Exo7 Applicatios liéaires cotiues, ormes matricielles Exercices de Jea-Louis Rouget. Retrouver aussi cette fiche sur www.maths-frace.fr Exercice * * très facile ** facile *** difficulté moyee **** difficile

Plus en détail

f(t)dt = 0. On pose a = min f et b = max f. 0 1 + x 2 dx = 3 + 1 7 π. 2) En déduire un encadrement de π (meilleur que celui d'archimède).

f(t)dt = 0. On pose a = min f et b = max f. 0 1 + x 2 dx = 3 + 1 7 π. 2) En déduire un encadrement de π (meilleur que celui d'archimède). #4 Itégrale de Riema Khôlles - Classes prépa Thierry Sageaux, Lycée Gustave Eiel Exercice Soit f ue foctio cotiue sur [, ] telle que Motrer que f ab f(t)dt = O pose a = mi f et b = max f Exercice x ) Motrer

Plus en détail

Mots de longueur donnée à base de P lettres, et fonction génératrice

Mots de longueur donnée à base de P lettres, et fonction génératrice Mots de logueur doée à base de lettres, et foctio géératrice Cosidéros les mots de logueur à base de lettres, avec etier positif. ) Combie existe-t-il de tels mots? La première lettre du mot est l ue des

Plus en détail

Exercices de Khôlles de Mathématiques, second trimestre

Exercices de Khôlles de Mathématiques, second trimestre Exercices de Khôlles de Mathématiques, secod trimestre Lycée Louis-Le-Grad, Paris, Frace Igor Kortchemski HX 2-2005/2006 Exercices particulièremet itéressats : - Exercices 2., 2.2 - Exercice 3. - Exercice

Plus en détail

Aide Mémoire de Statistique

Aide Mémoire de Statistique Aide Mémoire de Statistique (E, E, P) modèle statistique (E, E, P) modèle probabiliste E probabilité, o coaît la loi P et o fait des calculs E statistique, o e coaît pas la loi (seulemet ue famille de

Plus en détail

Équations différentielles - Cours no 6 Approximation numérique

Équations différentielles - Cours no 6 Approximation numérique Équatios différetielles - Cours o 6 Approximatio umérique 1 Itroductio De très ombreux problèmes scietifiques sot mis e équatio à l aide d u système d équatios différetielles ẋt) = ft, xt)) voir par exemple

Plus en détail

VARIABLES ALEATOIRES

VARIABLES ALEATOIRES VARIABLES ALEATOIRES TABLE DES MATIÈRES. Loi de probabilité.. Exemple... Calcul de probabilités sur u uivers Ω... Variable aléatoire à valeurs réelles...3. Probabilité image défiie par ue variable aléatoire..4.

Plus en détail

Intervalle de fluctuation des fréquences. Estimation CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES. fréquence F n. fréquence obtenue f.

Intervalle de fluctuation des fréquences. Estimation CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES. fréquence F n. fréquence obtenue f. Chapitre 14 Itervalle de fluctuatio des fréqueces. Estimatio Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Itervalle de fluctuatio Estimatio Itervalle de cofiace (*). Niveau

Plus en détail

Feuille 2 : dérivabilité, théorème de Rolle et des accroissements finis, étude des variations

Feuille 2 : dérivabilité, théorème de Rolle et des accroissements finis, étude des variations UPMC 1M001 Aalyse et algèbre pour les scieces 013-014 Feuille : dérivabilité, théorème de Rolle et des accroissemets fiis, étude des variatios Les eercices sas ( ) sot des applicatios directes du cours.

Plus en détail

Modélisation stochastique

Modélisation stochastique Uiversité de Lorraie Master 2 IMOI 2014-2015 Modélisatio stochastique Madalia Deacou 2 Table des matières Itroductio 5 1 Simulatio de variables aléatoires 7 1.1 Itroductio............................ 7

Plus en détail

Fluctuation et estimation

Fluctuation et estimation Fluctuatio et estimatio Table des matières I Idetificatio de la situatio........................................ II Échatilloage, itervalle de fluctuatio asymptotique........................ II. Itervalle

Plus en détail

Septembre 2011 CPI 317. Exercices. Agnès Bachelot

Septembre 2011 CPI 317. Exercices. Agnès Bachelot Septembre 2 CPI 37 Exercices Agès Bachelot Table des matières - Séries Numériques.......................................... 3 - Séries à termes positifs.................................... 3-2 Séries quelcoques......................................

Plus en détail

Cours de Mathématiques. Intégrale de Lebesgue et Probabilités H. DOSS

Cours de Mathématiques. Intégrale de Lebesgue et Probabilités H. DOSS Uiversité Paris Dauphie Départemet MIDO Cours de Mathématiques Itégrale de Lebesgue et Probabilités H. DOSS Table des matières 1 Espaces de probabilité et Itégratio 1 1.1 Présetatio..............................

Plus en détail

On peut représenter la situation par un arbre : On a donc p(b 1 B 2)= p(b 1) p (B ) = 3 4 = 3.

On peut représenter la situation par un arbre : On a donc p(b 1 B 2)= p(b 1) p (B ) = 3 4 = 3. T ale S Correctio Exercices type bac de Probabilités. Mars Exercice : Ue ure cotiet au départ 0 boules blaches et 0 boules oires idiscerables au toucher. O tire au hasard ue boule de l ure : Si la boule

Plus en détail

On admet que l ensemble des nombres des réels est inclus dans un ensemble plus grand constitué de nombres complexes.

On admet que l ensemble des nombres des réels est inclus dans un ensemble plus grand constitué de nombres complexes. Chapitre 1 Nombres complexes Le buts du chapitres sot : Cosolider les aquis de termiale, Savoir maipuler les ombres complexes, e particulier la factorisatio par l agle de moitié. Avoir des otios sur le

Plus en détail

Correction du devoir surveillé de mathématiques n o 5

Correction du devoir surveillé de mathématiques n o 5 Correctio du devoir surveillé de mathématiques o 5 Exercice 1 1. Soit g la foctio défiie sur R par g(x) = (x 1)e x. (a) Détermier les ites de g e et +. Limite e. O a ue forme idétermiée. E développat,

Plus en détail

Fonctions convexes. Prologue

Fonctions convexes. Prologue Foctios covexes Prologue Ce chapître développe les propriétés des foctios covexes f C E R défiies sur ue partie covexe C d u espace de dimesio fiie E. Si, fodametalemet, la covexité est ue propriété uidimesioelle

Plus en détail

Notations Soit I un intervalle de R. Soit f une fonction définie sur I, à valeurs dans R. Notons représentative de f dans un repère du plan.

Notations Soit I un intervalle de R. Soit f une fonction définie sur I, à valeurs dans R. Notons représentative de f dans un repère du plan. Foctio réciproque d'ue octio cotiue, d'ue octio dérivable FNCTIN RECIPRQUE D'UNE FNCTIN CNTINUE, D'UNE FNCTIN DERIVABLE EXEMPLES N SE LIMITERA AUX FNCTINS NUMERIQUES DEFINIES SUR UN INTERVALLE DE R Notatios

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

CTU, Licence de Mathématiques Statistique Inférentielle. Jean-Yves DAUXOIS. Université de Franche-Comté

CTU, Licence de Mathématiques Statistique Inférentielle. Jean-Yves DAUXOIS. Université de Franche-Comté CTU, Licece de Mathématiques Statistique Iféretielle Jea-Yves DAUXOIS Uiversité de Frache-Comté Aée scolaire 2011-2012 Ce polycopié cotiet le cours, les sujets d exercice et leurs corrigés aisi que les

Plus en détail

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2001

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2001 Exercice 1 : ( 12 poits ) Les parties A et B peuvet être traitées idépedammet l ue de l autre. O se propose d étudier l évolutio e foctio du temps des températures d u bai et d u solide plogé das ce bai.

Plus en détail

Promenades aléatoires : vers les chaînes de Markov

Promenades aléatoires : vers les chaînes de Markov AME Dossier : Matrices et suites 545 romeades aléatoires : vers les chaîes de Markov ierre Griho (*) Cet article propose ue mise e perspective de la otio de promeade ou de marche aléatoire itroduite das

Plus en détail

Questions pour un champion en ligne

Questions pour un champion en ligne Questios pour u champio e lige Le jeu télévisé QPUC préseté sur FR3 et aimé par Julie Lepers existe aussi e variate «e lige». U jeu «e lige» se déroule aisi : Six iterautes disputet ue première mache dite

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

Concours de l Iscae. Épreuve Commune de Mathématiques (2015)

Concours de l Iscae. Épreuve Commune de Mathématiques (2015) Mohiieddie Beayad Cocours de l Iscae Épreuve Commue de Mathématiques (5) Voici l éocé de l épreuve commue de Mathématiques du cocours d etrée à l ISCAE de l aée 5, aisi que l itégralité du corrigé. Les

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

Corrigé du baccalauréat Polynésie 16 juin 2014 STI2D STL spécialité SPCL

Corrigé du baccalauréat Polynésie 16 juin 2014 STI2D STL spécialité SPCL Corrigé du baccalauréat Polyésie 6 jui 4 STID STL spécialité SPCL EXERCICE 4 poits Cet eercice est u questioaire à choi multiples. Pour chacue des questios suivates, ue seule des quatre réposes proposées

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

Informatique TP2 : Calcul numérique d une intégrale CPP 1A

Informatique TP2 : Calcul numérique d une intégrale CPP 1A Iformatique TP : Calcul umérique d ue itégrale CPP 1A Romai Casati, Wafa Johal, Frederic Deveray, Matthieu Moy Avril - jui 014 1 Zéro de foctio O doe le code suivat (vu e cours), qui permet de calculer

Plus en détail

Séquence 1. Les suites numériques. Sommaire. 1. Pré-requis 2. Le raisonnement par récurrence 3. Notions de limites 4. Synthèse

Séquence 1. Les suites numériques. Sommaire. 1. Pré-requis 2. Le raisonnement par récurrence 3. Notions de limites 4. Synthèse Séquece Les suites umériques Sommaire Pré-requis Le raisoemet par récurrece 3 Notios de limites 4 Sythèse Das cette séquece, il s agit d ue part d approfodir la otio de suites umériques permettat la modélisatio

Plus en détail

Université Joseph Fourier, Grenoble. Séries numériques. Luc Rozoy, Bernard Ycart

Université Joseph Fourier, Grenoble. Séries numériques. Luc Rozoy, Bernard Ycart Uiversité Joseph Fourier, Greoble Maths e Lige Séries umériques Luc Rozoy, Berard Ycart Disos-le tout et, ce chapitre est pas idispesable : d ailleurs, vous e verrez pas vraimet la différece avec les suites.

Plus en détail

Introduction to Econometrics

Introduction to Econometrics MPRA Muich Persoal RePEc Archive Itroductio to Ecoometrics Moussa Keita September 015 Olie at https://mpra.ub.ui-mueche.de/66840/ MPRA Paper No. 66840, posted. September 015 04:1 UTC INTRODUCTION A L ECONOMETRIE

Plus en détail

1 Introduction. 2 Probabilités : Variables Aléatoires Continues. 3 Estimation. 4 Tests. 5 Régression

1 Introduction. 2 Probabilités : Variables Aléatoires Continues. 3 Estimation. 4 Tests. 5 Régression Pla du cours Méthodes de statistique iféretielle. A. Philippe Laboratoire de mathématiques Jea Leray Uiversité de Nates Ae.Philippe@uiv-ates.fr 1 Itroductio 2 Probabilités : Variables Aléatoires Cotiues

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1 [http://mp.cpgedupuydelome.fr] édité le 6 octobre 25 Eocés Exercice [ 43 ] [Correctio] O pose ) k+ s = et u = l e s ) k k= a) Éocer le théorème des séries spéciales alterées, e faire la preuve. b) Prouver

Plus en détail

Une démonstration du théorème. fondamental des nombres premiers. Fin de Licence 3, 2006-2007, Université d'orsay, Professeur : M. Zuily.

Une démonstration du théorème. fondamental des nombres premiers. Fin de Licence 3, 2006-2007, Université d'orsay, Professeur : M. Zuily. Ue démostratio du théorème fodametal des ombres premiers Fi de Licece 3, 26-27, Uiversité d'orsay, Professeur : M. Zuily. Table des matières Itroductio 2. Quelques rappels et otatios....................................

Plus en détail

Correction CCP maths 1 MP

Correction CCP maths 1 MP mai 4 Avertissemet : Il subsiste certaiemet quelques coquilles... Exercice : ue itégrale double Correctio CCP maths MP Pour calculer cette itégrale, o effectue le chagemet de variable e coordoées polaires

Plus en détail

Intervalles de fluctuation et de confiance

Intervalles de fluctuation et de confiance Chapitre 9 Itervalles de fluctuatio et de cofiace Sommaire 9.1 Itervalle de fluctuatio................................... 157 9.1.1 Quelques rappels..................................... 157 9.1.2 Itervalle

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

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

SUITES ET FONCTIONS. 1. Espaces vectoriels normés réels ou complexes

SUITES ET FONCTIONS. 1. Espaces vectoriels normés réels ou complexes SUITES ET FONCTIONS. Espaces vectoriels ormés réels ou complexes.. Normes et distaces. Exercice... F Soit E l espace vectoriel des foctios de classe C sur [a, b], o pose Nf = fc + f où c [a, b], f désigat

Plus en détail

PROBABILITES EXERCICES CORRIGES

PROBABILITES EXERCICES CORRIGES PROBABILITES EXERCICES CORRIGES Vocabulaire des probabilités Exercice. Das chacue de situatios décrites ci-dessous, éocer l évéemet cotraire de l évéemet doé. ) Das ue classe, o choisit deux élèves au

Plus en détail

Chapitre 1 : Les notions de base

Chapitre 1 : Les notions de base Chapitre : Les otios de base Itroductio I Comparer des gradeurs A) Les pourcetages B) Taux de variatio, coefficiet multiplicateur, idice C) Importace du ses de la comparaiso ) Raisoemet sur les taux de

Plus en détail

MA401 : Probabilités TD3

MA401 : Probabilités TD3 MA : Probabilités Exercice Ue compagie aériee étudie la réservatio sur l u de ses vols. Ue place doée est libre le jour d ouverture de la réservatio et so état évolue chaque jour jusqu à la fermeture de

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

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

Séquence 9. Lois normales, intervalle de fluctuation, estimation. Sommaire

Séquence 9. Lois normales, intervalle de fluctuation, estimation. Sommaire Séquece 9 Lois ormales, itervalle de fluctuatio, estimatio Sommaire 1. Prérequis. Lois ormales 3. Itervalles de fluctuatio 4. Estimatio 5. Sythèse de la séquece Séquece 9 MA0 1 Ced - Académie e lige Das

Plus en détail

LES SUITES. u n = 1 n, pour n 1. u n = n 3

LES SUITES. u n = 1 n, pour n 1. u n = n 3 LES SUITES. Défiitio.. Défiitio Ue suite umérique est ue foctio de das, défiie à partir d'u certai rag 0. La otatio (u ) désige la suite e tat qu'objet mathématique et u désige l'image de l'etier (appelé

Plus en détail

Sciences Po Option Mathématiques

Sciences Po Option Mathématiques Scieces Po Optio Mathématiques Epreue 3 Vrai-Fau Questio FAUX La suite ( u ) état géométrique de raiso différete de, o a classiquemet, pour tout etier aturel : où q est la raiso de la suite ( u ) Ici,

Plus en détail

Qu est-ce qu un bon énoncé de bac? Analyse de l exercice de spécialité de TS de Pondichéry 2013 Jacques Lubczanski

Qu est-ce qu un bon énoncé de bac? Analyse de l exercice de spécialité de TS de Pondichéry 2013 Jacques Lubczanski Dossier : Actualité de l Aalyse e Lycée 447 Qu est-ce qu u bo éocé de bac? Aalyse de l exercice de spécialité de TS de Podichéry 2013 Jacques Lubczaski «Podichéry est tombé!» : cela ressemble à l aoce

Plus en détail

Estimation Fonctionnelle: Applications aux Tests d Adéquation et de Paramètre Constant

Estimation Fonctionnelle: Applications aux Tests d Adéquation et de Paramètre Constant Carlos Mauel Rebelo Tereiro da Cruz Thèse présetée à la Faculdade de Ciêcias e Tecologia da Uiversidade de Coimbra, pour obteir le grade de Doutor em Matemática Matemática Aplicada. Estimatio Foctioelle:

Plus en détail

INF582 : Cryptologie Attaque de clés RSA par la méthode de Wiener

INF582 : Cryptologie Attaque de clés RSA par la méthode de Wiener INF58 : Cryptologie Attaque de clés RSA par la méthode de Wieer Nicolas DOUZIECH - Thomas JANNAUD - X005 9 mars 008 Table des matières Quelques rappels sur le cryptosystème RSA Pricipe de l attaque de

Plus en détail

Estimation. Exemple Les statistiques des notes obtenues en mathématiques au BTS OL en France pour l année 2014 sont :

Estimation. Exemple Les statistiques des notes obtenues en mathématiques au BTS OL en France pour l année 2014 sont : Estimatio Objectifs Estimer poctuellemet ue proportio, ue moyee ou u écart type d ue populatio à l aide de la calculatrice ou d u logiciel, à partir d u échatillo Détermier u itervalle de cofiace à u iveau

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

Master 1ère année spécialité IMIS et Mathématiques Contrôle continu de "Processus Stochastiques"

Master 1ère année spécialité IMIS et Mathématiques Contrôle continu de Processus Stochastiques Master ère aée spécialité IMIS et Mathématiques Cotrôle cotiu de "Processus Stochastiques" 8 octobre 00 - Durée h Calculatrices et documets autorisés Exercice Jacques va tous les jours à so travail e emprutat

Plus en détail

Chapitre 3 Détermination de la taille de l'échantillon

Chapitre 3 Détermination de la taille de l'échantillon Chapitre 3 Détermiatio de la taille de l'échatillo Lorsqu o prélève u échatillo pour estimer u paramètre, o court toujours le risque de découvrir u peu trop tard que l'échatillo prélevé est trop petit

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

Centre Régional des Métiers de l Éducation et de la Formation MARRAKECH

Centre Régional des Métiers de l Éducation et de la Formation MARRAKECH R O Y A U M E D U M A R O C Miistère de l Educatio Natioale et de la Formatio Professioelle Cetre Régioal des Métiers de l Éducatio et de la Formatio Académie Régioale de l Éducatio et de la Formatio Marrakech-Tesift

Plus en détail

Prévision pac-bayésienne pour le modèle additif sous contrainte de parcimonie

Prévision pac-bayésienne pour le modèle additif sous contrainte de parcimonie Prévisio pac-bayésiee pour le modèle additif sous cotraite de parcimoie Bejami Guedj 1, Pierre Alquier 2, Gérard Biau 1 3 et Éric Moulies 1 LSTA, Uiversité Pierre et Marie Curie Paris VI Boîte 158, Tour

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

Petit manuel de bonne rédaction

Petit manuel de bonne rédaction Petit mauel de boe rédactio «Bie rédiger» peut sigifier deux choses : 1) exposer sa pesée clairemet, c est-à-dire avec ordre et rigueur et si possible avec style ; U raisoemet faux peut être bie rédigé,

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

Feuille d exercices 5

Feuille d exercices 5 Mathématiques Physique S3, 205/206 Uiversité Blaise Pascal Feuille d exercices 5 Ex.. Tracer le graphe des foctios périodiques suivates, doer leur développemet e série de Fourier et discuter la covergece

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

Autour de la loi de Poisson

Autour de la loi de Poisson Agrégatio Itere de Mathématiques Thierry Champio séace du 25 ovembre 2016 Autour de la loi de Poisso Notatios - Itroductio Das tout ce problème, (Ω, T, P) est u espace probabilisé. Toutes les variables

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

2 Exercice 15 : les intégrales de Wallis

2 Exercice 15 : les intégrales de Wallis Exercice sur les itégrles Exercice 5 : les itégrles de Wllis O pose si xdx ) Clculer I et I ) Motrer que l suite ( ) coverge 3) Etblir ue formule de récurrece etre et 4) Motrer que le produit ( + ) + est

Plus en détail

1. Probabilités sur les ensembles finis

1. Probabilités sur les ensembles finis . Probabilités sur les esembles fiis.. RAPPELS ET COMPLEMENTS. VOCABULAIRE DES EVENEMENTS Das ue expériece aléatoire, l'uivers Ω est l'esemble des résultats possibles. U évéemet est ue partie de l'uivers.

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

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

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante : " tirer p éléments de E ".

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante :  tirer p éléments de E . Cours de termiales Probabilités sur u esemble fii Mr ABIDI F I- Rappel I- Types de tirages : Soit u esemble fii E coteat élémets O cosidère l'épreuve suivate : " tirer p élémets de E " Type de tirages

Plus en détail

Travaux dirigés de transports et transferts thermiques

Travaux dirigés de transports et transferts thermiques Travaux dirigés de trasports et trasferts thermiques Aée 015-016 Araud LE PADELLEC alepadellec@irap.omp.eu page page 3 P r é s e t a t i o Tous les exercices de trasports et de trasferts thermiques qui

Plus en détail

et arctanx + arctan 1 x = sgn(x)π 2. 3. Application à la statue de la liberté : haute de 46 mètres avec un piédestal de 47 mètres.

et arctanx + arctan 1 x = sgn(x)π 2. 3. Application à la statue de la liberté : haute de 46 mètres avec un piédestal de 47 mètres. Eo7 Foctios circulaires et hyperboliques iverses Correctios de Léa Blac-Ceti. Foctios circulaires iverses Eercice Vérifier arcsi + arccos π et arcta + arcta sgπ. Idicatio Correctio Vidéo [00075] Eercice

Plus en détail

Université Denis Diderot (Paris VII) MP 3. Quelques exercices corrigés Suites et séries numériques

Université Denis Diderot (Paris VII) MP 3. Quelques exercices corrigés Suites et séries numériques Uiversité Deis Diderot (Paris VII) 006-007 MP 3 Quelques exercices corrigés Suites et séries umériques Das les pages qui suivet ous proposos la correctios de quelques exercices de la feuille sur les suites

Plus en détail

PROBABILITES EXERCICES CORRIGES

PROBABILITES EXERCICES CORRIGES PROBABILITES EXERCICES CORRIGES Vocabulaire des probabilités Exercice. Das chacue de situatios décrites ci-dessous, éocer l évéemet cotraire de l évéemet doé. ) Das ue classe, o choisit deux élèves au

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

6.1 Modèle multiplicatif de mortalité excédentaire (proportional

6.1 Modèle multiplicatif de mortalité excédentaire (proportional 6 Tests d hypothèse (Klei 6.3, Lawless 10.2 et 10.3, Klugma 13.4) 6.1 Modèle multiplicatif de mortalité excédetaire (proportioal hazard) O veut comparer la mortalité d u groupe sous étude avec celle d

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

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

Exercices corrigés pour le cours. Intégration 1

Exercices corrigés pour le cours. Intégration 1 Exercices corrigés pour le cours de Licece de Mathématiques Itégratio 2 INTEGATION, Feuille d exercices Exercice.. Soit f : Y ue applicatio. a. Motrer que pour toute famille (B i ) i I de parties de Y,

Plus en détail

Échantillonnage. Pour reprendre contact Les réponses exactes sont : Activité 1. Activité 2. 1 Réponse c. 2 Réponse a. Réponse c. 3 Réponse a.

Échantillonnage. Pour reprendre contact Les réponses exactes sont : Activité 1. Activité 2. 1 Réponse c. 2 Réponse a. Réponse c. 3 Réponse a. Échatilloage 9 Pour repredre cotact Les réposes exactes sot : Répose c. Répose a. Répose c. 3 Répose a. 4 Répose b. Répose c. Activité. La populatio étudiée est la productio d automobiles. Le caractère

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

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

Probabilités et Statistiques MATH-F-315. Simone GUTT

Probabilités et Statistiques MATH-F-315. Simone GUTT Probabilités et Statistiques MATH-F-315 Simoe GUTT 2012 Das la vie, ous sommes cotiuellemet cofrotés à des collectios de faits ou doées. Les statistiques formet ue brache scietifique qui fourit des méthodes

Plus en détail

Filière Sciences de Matières Physiques (SMP4) Module Mathématiques : Analyse (S4) Cours d Analyse

Filière Sciences de Matières Physiques (SMP4) Module Mathématiques : Analyse (S4) Cours d Analyse UNIVERSITÉ MOHAMMED V - AGDAL Faculté des Scieces Départemet de Mathématiques Filière Scieces de Matières Physiques (SMP4) Module Mathématiques : Aalyse (S4) Cours d Aalyse Séries umériques Suites et Série

Plus en détail

Une définition de la fonction exponentielle dans l esprit des nouveaux programmes

Une définition de la fonction exponentielle dans l esprit des nouveaux programmes 1 Ue défiitio de la foctio expoetielle das l esprit des ouveaux programmes 0. Itroductio. Les ouveaux programmes de mathématiques de termiale S qui sot etrés e vigueur à la retrée 2002 icitet fortemet

Plus en détail

x deux caractères de G. Le produit xx est défini par la formule : PREMIeRE COMPOSITION DE MATHEMATIQUES

x deux caractères de G. Le produit xx est défini par la formule : PREMIeRE COMPOSITION DE MATHEMATIQUES 74 Écoles Normales Supérieures Ulm et Lyo optio M lère compositio 1/6 PREMIeRE COMPOSITION DE MATHEMATIQUES (Sujet commu ENS : ULM et LYON) DURÉE : 6 heures Lc cadidat peut traiter l ue quelcoque des parties

Plus en détail

Convergence de suites réelles

Convergence de suites réelles DOMAINE : No olympique AUTEUR : Nicolas SÉGARRA NIVEAU : Itermédiaire STAGE : Motpellier 2014 CONTENU : Cours et exercices Covergece de suites réelles I) Rappels et otios de base. Défiitio 1. Ue suite

Plus en détail

Application du logiciel Excel

Application du logiciel Excel Applicatio du logiciel Ecel Utilisatio du Solver du logiciel Ecel Table de matiers Lacemet du logiciel... Optimisatios... Programmatio liéaire... Problème du trasport... 8 Problème de programmatio quadratique...

Plus en détail