COURS/TD - AGRÉGATION EXTERNE DE
|
|
- Rémi Didier Bastien
- il y a 7 ans
- Total affichages :
Transcription
1 COURS/TD - AGRÉGATION EXTERNE DE MATHÉMATIQUES - SIMULATIONS DE VARIABLES ALÉATOIRES Référence : B. Ycart, P.S. Toulouse, Dacunha-Castelle, Ouvrard tomes 1 & 2, Foata & Fuchs Motivation L objectif des séances à venir est de donner des algorithmes capables de procéder à des simulations exactes ou approchées de lois de probabilités classiques. On cherchera ensuite à illustrer numériquement des théorèmes classiques de probabilités. 1 Inversion de la fonction de répartition 1.1 Cadre La méthode suivante s applique au cas des variables aléatoires réelles dont on connait la densité f, ou mieux la fonction de répartition F. Si on connait la densité f (pour les variables aléatoires continues) ou la distribution (p i ) i I pour les variables aléatoires discrètes, la première tâche consiste à calculer la fonction de répartition F(x) = P[X x]. On rappelle que dans le cas d une distribution discrète : et dans le cas d une distribution continue : 1.2 Inverse généralisée F(x = p i, x i x F(x = x f (t)dt. Soit X une variable aléatoire réelle de fonction de répartition F. On appelle inverse généralisée de F, la fonction F 1 définie pour tout y ]0, 1] par F 1 (y) = inf{x R /F(x) y}. La méthode de simulation par inversion repose sur le lemme suivant. Lemme 1. Si U est une variable aléatoire de loi uniforme U([0, 1]), alors F 1 (U) a même loi que X. De plus, si F est continue sur R et f > 0, alors F(X) suit la loi uniforme U([0, 1]). 1
2 1.3 Applications - Lois continues Exercice Utiliser le lemme précédent pour fournir un algorithme de simulation de loi exponentielle. 2. Le programmer en Matlab et illustrer la loi des grands nombres. La loi exponentielle est la loi par défaut servant à modéliser des durées de vie. 3. Montrer que si X est une variable aléatoire de loi exponentielle, alors on a : P(X x + s X s) = P(X x) 4. Illustrer le résultat précédent : faire N simulations d une loi exponentielle et tracer sur un même graphique la fonction densité de la loi exponentielle et l histogramme empirique de «X s sachant X s». Exercice La loi de Pareto de paramètres (a, b) est définie au travers de la densité : b > 0 f a,b (x) = aba x a+1 1I [b,+ [(x). Cette loi de Pareto trouve son origine dans les modèles économiques décrivant les fameux phénomènes Déterminer les valeurs admissibles de a et calculer l espérance de ces lois. 2. Simuler ces lois et vérifier la loi des grands nombres. 3. La loi de Pareto est le prototype de loi à queue lourde, montrer qu elle vérifie en effet y > 0 lim P(X > x + y X > x) = 1. x + En réalité, la loi de Pareto paramétrise généralement les phénomènes décrivant les évènements extrêmes d une large famille de lois de probabilités. 1.4 Applications - Lois discrètes Exercice 1.3 Soient x 1, x 2,, x n des nombres réels tous distincts et soient p 1, p 2,, p n des nombres réels positifs tels que n i=1 p i = 1. On pose s 0 = 0 et pour tout 1 k n, s k = k i=1 p i. 1. Fournir une méthode de simulation de la loi de probabilité discrète (p i ) telle que P(X = x i ) = p i. 2. Programmer alors une fonction matlab effectuant une telle simulation. Exercice 1.4 On rappelle que la loi Binomiale B(n, p) décrit la somme de n réalisations indépendantes de loi de Bernoulli de paramètre p. 1. Créer un code Matlab permettant d engendrer un vecteur aléatoire X contenant N réalisations indépendantes et de même loi Binomiale B(n, p) où les valeurs N, n 1 et 0 < p < 1 sont affectées par l utilisateur. Pour N assez grand, vérifier la loi des grands nombres sur les moyennes empiriques successives de X. 2. Comparer vos résultats de simulations avec le générateur rbinom de Matlab. 3. Imaginer un autre algorithme de simulation utilisant la définition même de la loi Binomiale. La loi Binomiale modélise le nombre de succès d une répétition de n tests binaires. Exercice Pour n A et n B deux entiers strictements positifs définissant le nombre de boules de type A ou B dans une urne, on pose N = n A + n B, on tire dans alors simultanément n boules dans cette urne et on compte X le nombres de boules de type A. (a) Décrire la distribution de probabilités de X. (b) Créer un code Matlab simulant X.
3 (c) Si N tend vers +, et si n A /N p > 0, tracer l histogramme de X et comparer avec celui d une binomiale B(n, p). (d) Si N, n A et n B tendent vers l infini et le produit nn A /N tend vers λ > 0, montrer que X converge en loi vers la loi de Poisson P(λ). Pour N assez grand, choisir N 1 = λ N et n = N, tracer l histogramme de M réalisations de de Z (M grand) et comparer le à la loi P(λ). Exercice 1.6 Une v.a. discrète X suit une loi de Poisson de paramètre α > 0 si P(X = k) = e α α k Nous allons proposer un algorithme de simulation de X différent de celui d inversion de la fonction de répartition. 1. Soit E i une suite de v.a. iid de loi exponentielle α. On note Montrer qu on a : k! S n = E E n P(S n 1 < S n+1 ) = e α α n 2. En conclure un algorithme de simulation de lois de Poisson de paramètre α. 3. Quel est le nombre moyen de variables uniformes nécessaires pour simuler cette loi de Poisson? 4. Donner à 99% un encadrement du nombre de lois uniformes nécessaires pour générer 400 lois de Poisson de paramètre α = On définit pour tout t > 0, N t = 1I (Sn t). n=1 (N t ) est un processus de Poisson d intensité α. Montrer que, pour tout t > 0, N t suit la loi de Poisson P(λt). 6. Simuler un tel processus sur un intervalle de temps fixé à l avance. Les processus de Poisson servent à modéliser les arrivées dans les files d attente. Comparer avec le générateur de Matlab. n! 2 Simulation par la méthode du rejet Application classique La méthode du rejet tire son nom du fait qu on rejette une simulation pour en générer une autre jusqu à ce qu une condition soit satisfaite. Une application classique de ce principe consiste à effectuer une simulation d une variable aléatoire conditionnellement au fait d appartenir à un certain domaine de R d. Ainsi, si X a pour densité f supposée connue et simulable sur R d et si D désigne un domaine quelconque de R d tel que f = µ(d) D est inconnu, il est toutefois possible de simuler la loi de X X D avec l algorithme suivant : 1. Générer X i f sur R d. 2. Tester sir X i D ou non. 3. Dès que X i0 D, renvoyer Z = X i0, sinon faire i + 1 > i. La démonstration de la validité de cette simulation est résumée dans les questions suivantes ainsi que son intérêt pratique! Exercice Démontrer qu une telle simulation de Z a bien pour loi la loi de X X D.
4 2. Quelle est la loi du nombre de parcours de cette boucle? Quelle en est sa moyenne? 3. Application : faire N simulations de la loi uniforme sur le disque unité de R 2 et visualiser les points obtenus. 4. Toujours à propos de la simulation de la loi uniforme sur le disque, que pensez-vous de la méthode suivante : on commence par choisir x uniforme entre 1 et 1 puis on prend y uniforme entre 1 x 2 et 1 x 2? Visualiser N simulations obtenues par cette méthode. La loi estelle uniforme? Méthode générale La méthode du rejet permet de simuler des v.a. ou des vecteurs aléatoires dont la loi est à densité par rapport à la mesure de Lebesgue, en s aidant d une autre densité dont on sait simuler la loi. Voici l algorithme de simulation. On souhaite simuler Z dans R d de densité f. On suppose que l on sait simuler X de loi g et trouver 0 < c < 1 tel que f cg. 1. Générer X i g et U i U [0;1]. 2. Calculer M i = (X i, cg(x i )U i ). 3. Dès que cg(x i0 )U i0 f (X i0 ), renvoyer Z = X i0, sinon faire i + 1 > i. Le vecteur aléatoire Z a alors pour densité f. Les questions suivantes permettent d établir la validité de la méthode du rejet générale. Exercice Soit f densité sur R d et G l hypographe : G = {(x, y) R d R 0 y f (x)} On pose M de coordonnée (Z, Y) de loi uniforme sur G. Montrer qu alors la loi du vecteur aléatoire Z a pour densité f par rapport à la mesure de Lebesgue λ d. 2. Soit X vecteur aléatoire de densité g par rapport à λ d et M = (X, cg(x)u) où U est une v.a. uniforme sur [0; 1], indépendante de X et c > 0. On note H l hypographe : H = {(x, y) R d R 0 y cg(x)} Montrer que M suit une loi uniforme sur H. 3. Conclure. 4. Quelle est la loi du nombre de passage dans la boucle d acceptation rejet? Application simple. Exercice 2.3 On considère la densité de probabilité f définie par f (x) = 1 x si x [ 1, 1] et 0 sinon. Simuler cette loi par la méthode de rejet à partir de la loi uniforme sur [ 1, 1]. Application à la loi Gamma et loi de Weibull. Exercice 2.4 Écrire un code Matlab simulant une loi Gamma de paramètre a > 0 quelconque donnée par la densité : f a (t) = 1 Γ(a) ta 1 e t χ t>0 en utilisant l algorithme précédent et la loi de Weibull de paramètre a de densité g donnée par : g(t) = at a 1 e ta χ t>0.
5 3 Algorithme de Box-Muller 3.1 Gaussienne univariée L algorithme de Box-Muller est synthétisé dans le lemme suivant. Lemma 3.1 Soient U et V deux variables aléatoires i.i.d. de loi uniforme sur [0, 1]. Les variables aléatoires X et Y sont définies par X = 2 ln(u) cos(2πv) et Y = 2 ln(u) sin(2πv.) Alors X et Y sont indépendantes et de même loi normale standard N (0, 1). Exercice Utilisez le résultat précédent (algorithme de Box-Muller) et la fonction rand pour simuler une v.a. de loi normale standard : effectuer N simulations, et comparer sur une même figure l histogramme des valeurs obtenues et la fonction densité théorique. Que pensez-vous du résultat? 2. Faire directement N simulations d une loi normale standard à l aide de la fonction randn. Que pensez-vous du résultat? 3.2 Simulation d un vecteur gaussien Exercice On rappelle que si X = (X 1,..., X k ) est un vecteur gaussien de moyenne nulle et de covariance Identité, et A M k (R) est telle que AA t = C, alors Y = AX + µ est un vecteur gaussien de moyenne µ et de covariance C. En déduire un algorithme de simulation de vecteurs gaussiens. 2. Application : faire N simulations d un vecteur gaussien de covariance C et de moyenne µ avec C=[5 3 2 ; ; 2 1 2] et mu=[-2 1 4] (utiliser la fonction chol). Vérifier les résultats à l aide des fonctions mean et cov. 3.3 Application de la méthode du rejet Exercice 3.4 En utilisant la méthode du rejet simuler une variable gaussienne à partir d une variable de Laplace de densité : 1 2 e x. Plus généralement trouver le meilleur choix dans la famille des lois de densité : λ 2 e λx, λ > Mouvement Brownien Exercice 3.5 Créer un code Matlab simulant une trajectoire brownienne. 4 Échantillonnage préférentiel Méthode générale On cherche à estimer, à partir d une variable aléatoire X de densité connue, des quantités du type E[ f (X)]. L idée générale est d utiliser la convergence presque sure et dans L 1 de la moyenne empirique d un échantillon de v.a. i.i.d. vers leur espérance commune. Cependant, en terme de variance de l estimation donnée par cette moyenne empirique, il peut être intéressant d utiliser un n-échantillon de X, autre v.a. à densité par rapport à X. Exercice 4.1 Démontrer que si X possède une densité par rapport à X, et que ( X 1,..., X n ) désigne un n-échantillon, alors n 1 n f ( X i ) P X( X i ) i=1 P X ( E[ f (X)] X i )
6 Application à l estimation des moments de N (0, 1) Exercice Utiliser la propriété précédente pour X N (0, 1) et X L(λ). Calculer Ỹ = f ( X) P X( X) P X ( X) ainsi que la variance des estimateurs obtenus par le biais de X. 2. Comparer avec la variance de l estimateur donné par X lorsque f (u) = u pour λ = 1. (Code Matlab) 3. Définir le "meilleur" λ et en donner une estimation via Matlab. Application à l estimation de la queue d une gaussienne N (0, 1) On souhaite désormais estimer la probabilité P (N (0, 1) 3) Exercice 4.3 On définit la variable aléatoire Y par Y = χ X Quelle est la loi de Y? 2. On définit X N (3, 1) et Ỹ = χ. X 3 3. Quel est l estimateur par la méthode de l échantillonage préférentiel ici? 4. Calculer la variance des deux estimateurs (ceux donnés par X et X). 5. Donner une approximation (en utilisant Matlab) de la "meilleure" loi N (m, 1) pour X.
Texte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détail= constante et cette constante est a.
Le problème Lorsqu on sait que f(x 1 ) = y 1 et que f(x 2 ) = y 2, comment trouver l expression de f(x 1 )? On sait qu une fonction affine a une expression de la forme f(x) = ax + b, le problème est donc
Plus en détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailBaccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détaila et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b
I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailAlgorithmes récursifs
Licence 1 MASS - Algorithmique et Calcul Formel S. Verel, M.-E. Voge www.i3s.unice.fr/ verel 23 mars 2007 Objectifs de la séance 3 écrire des algorithmes récursifs avec un seul test rechercher un élément
Plus en détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailPRÉCIS DE SIMULATION
PRÉCIS DE SIMULATION P. Del Moral Centre INRIA Bordeaux Sud-Ouest & Institut de Mathématiques de Bordeaux Université Bordeaux I, 351, cours de la Libération 33405 Talence, France Table des matières 1
Plus en détailProbabilités avancées. Florin Avram
Probabilités avancées Florin Avram 24 janvier 2014 Table des matières 1 Mise en scène discrète 3 1.1 Espace des épreuves/résultats possibles, événements, espace probabilisé, mesure de probabilités, variables
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailF411 - Courbes Paramétrées, Polaires
1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailInitiation à l algorithmique
Informatique S1 Initiation à l algorithmique procédures et fonctions 2. Appel d une fonction Jacques TISSEAU Ecole Nationale d Ingénieurs de Brest Technopôle Brest-Iroise CS 73862-29238 Brest cedex 3 -
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailFONCTIONS À CROISSANCE RÉGULIÈRE
P. LEVY (Paris - Francia) FONCTIONS À CROISSANCE RÉGULIÈRE ET ITÉRATION D'ORDRE FRACTIONNAIRE 1. - Une fonction teue que ^c+e~ x sin log x, malgré la lenteur et la petitesse de ses osciuations, nous apparaît
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailrf( 1 f(x)x dx = O. ) U concours externe de recrutement de professeurs agreg6s composition d analyse
page 8 AGREGATIN de MATHEMATIQUES: 1991 1/5 externeanalyse concours externe de recrutement de professeurs agreg6s composition d analyse NTATINS ET DGFINITINS Dans tout le problème, R+ désigne l intervalle
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailCours d algorithmique pour la classe de 2nde
Cours d algorithmique pour la classe de 2nde F.Gaudon 10 août 2009 Table des matières 1 Avant la programmation 2 1.1 Qu est ce qu un algorithme?................................. 2 1.2 Qu est ce qu un langage
Plus en détail16 Chapitre 16. Autour des générateurs pseudoaléatoires
Chapitre 16 Chapitre 16. Autour des générateurs pseudoaléatoires Hasard et informatique peuvent paraître antinomiques. Car enfin, comment le circuit imprimé d un ordinateur ou d une calculatrice, parfaitement
Plus en détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailUniversité du Québec à Chicoutimi. Département d informatique et de mathématique. Plan de cours. Titre : Élément de programmation.
Université du Québec à Chicoutimi Département d informatique et de mathématique Plan de cours Titre : Élément de programmation Sigle : 8inf 119 Session : Automne 2001 Professeur : Patrice Guérin Local
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailMESURE ET INTÉGRATION EN UNE DIMENSION. Notes de cours
MSUR T INTÉGRATION N UN DIMNSION Notes de cours André Giroux Département de Mathématiques et Statistique Université de Montréal Mai 2004 Table des matières 1 INTRODUCTION 2 1.1 xercices.............................
Plus en détail