Chaînes de Markov. Arthur Charpentier

Dimension: px
Commencer à balayer dès la page:

Download "Chaînes de Markov. Arthur Charpentier"

Transcription

1 Chaîes de Markov Arthur Charpetier École Natioale de la Statistique et d Aalyse de l Iformatio - otes de cours à usage exclusif des étudiats de l ENSAI - - e pas diffuser, e pas citer - Quelques motivatios. La setielle de la tour carrée Lors d ue rode, ue méthode simple pour tromper l eemi est d avacer ou reculer de maière aléatoire, e tirat à pile ou face. Comme précédemet, si X désige la positio du garde à l istat, l évolutio peut se modéliser à l aide d ue matrice de trasitio, /N/ /E/ /S/ /O/ N 0 /2 0 /2 P = E /2 0 /2 0 S 0 /2 0 /2 O /2 0 /2 0.2 Le système bous-malus e assurace auto A Hog Kog, il existe 6 classes de tarificatio, de (fort bous) à 6 fort malus si u assuré a pas eu de siistre, il passe de i à max{, i }, si l assuré a eu au mois u siistre, il passe de i à 6. Si p est la probabilité de e pas avoir de siistre, p p p p P = 0 p p 0 0 p 0 0 p p 0 p p p Proportio par classe e foctio de, p=90% Proportio par classe e foctio de, p=80%

2 si u assuré a pas eu de siistre, il passe de i à max{, i }, si l assuré a eu k siistres, il passe de i à mi{6, i + k}. Si le ombre de siistres suit ue loi de Poisso p k = P(N = k) = e λ λ k /k!, k N, et p k = p p k, p 0 p p 2 p 3 p 4 p 4 p 0 0 p p 2 p 3 p 3 P = 0 p 0 0 p p 2 p p 0 0 p p p 0 0 p p 0 p 0 Proportio par classe e foctio de, 0% Proportio par classe e foctio de, 35% La ruie d u joueur Deux joueurs jouet à pile ou face, chaque fois que X gage, il touche de Y, et réciproquemet. Ils partet respectivemet d u capital X 0 et Y 0, et le jeu s arrête lorsqu u joueur a plus d arget pour payer. La fortue d u joueur pred les valeurs {0,, 2,..., X 0 + Y 0 }. Si le joueur X possède ue fortue X = k à la date, à la date + sa fortue deviet k avec probabilité p etk + avec probabilité p si 0 < k < X 0 + Y 0, sa fortue reste e 0 avec probabilité si k = 0, sa fortue reste e X 0 + Y 0 avec probabilité si k = X 0 + Y 0..4 Le modèle steppig stoe O cosidère u tableau, où chaque cellule a ue couleur choisie parmi k. A chaque date, o choisit ue cellule au hasard, qui pred la couleur d u de ses voisis immédiat, au hasard. Les figures suivates motret l évolutio de ce système pour k = 2 couleurs, et = 40, puis k = 8 couleurs, et = 80. O peut motrer qu il s agit d ue chaîe de Markov absorbate au ses où des régios absorbates vot se former, Ce type de modèle apparaît aturellemet e géétique. Ue aimatio de cet algorithme est téléchargeable sur

3 Le moldèle Steppig stoe, Etape Figure : Le modèle steppig stoe, k = 2 et = 40. Le moldèle Steppig stoe, Etape Figure 2: Le modèle steppig stoe, k = 2 et = 40. Le moldèle Steppig stoe, Etape Figure 3: Le modèle steppig stoe, k = 2 et = 40.

4 Le moldèle Steppig stoe, Etape Figure 4: Le modèle steppig stoe, k = 8 et = 80. Le moldèle Steppig stoe, Etape Figure 5: Le modèle steppig stoe, k = 8 et = 80.

5 .5 Ue applicatio écoomique La plupart des etreprises qui émettet des obligatios sot otées par des ageces de otatios (Moody s ou Stadard & Poors). Les otes sot de la forme AAA, AA, A, BBB, BB, B, CCC, du plus sûr au plus risqué. De matrice de trasitio sur u a existet: AAA AA A BBB BB B CCC défaut AAA 90, 8% 8, 33% 0, 68% 0, 06% 0, 2% 0, 00% 0, 00% 0, 00% AA 0, 70% 90, 65% 7, 79% 0, 64% 0, 06% 0, 4% 0, 02% 0, 00% A 0, 09% 2, 27% 9, 05% 5, 52% 0, 74% 0, 26% 0, 0% 0, 06% BBB 0, 02% 0, 33% 5, 95% 86, 93% 5, 30%, 7% 0, 2% 0, 8% BB 0, 02% 0, 4% 0, 67% 7, 73% 80, 53% 8, 84%, 00%, 06% B 0, 00% 0, % 0, 24% 0, 43% 6, 48% 83, 46% 4, 08% 5, 20% CCC 0, 22% 0, 00% 0, 22%, 30% 2, 38% 5, 00% 64, 85% 9, 79% défaut 0, 00% 0, 00% 0, 00% 0, 00% 0, 00% 0, 00% 0, 00% 00%.6 Applicatios lexicographiques Cette applicatio a été proposée das la modélisatio iitiale d Adrei Adreevich Markov, e 93. O cosidère ue suite de caractères pris das Eugèe Oegi d Alexadre Pouchkie, et o distigue etre les voyelles, et les cosoes. Heedless of the proud world s ejoymet, I prize the attetio of my frieds, ad oly wish that my employmet could have bee tured to worthier eds... E russe, il avait obteue la matrice de trasitio suivate, P = ( 2, 8% 87, 2% 66, 3% 33, 7% i.e. la probabilité qu ue voyelle soit suivie d ue cosoe est de 87, 2%. La loi limite associé cette matrice est π = (43, 2% 56, 8%), ce qui correspod aux fréqueces des voyelles et des cosoes respectivemet. Notos qu e fraçais les fréqueces sot π = (45, 6% 54, 4%), pour l italie π = (47, 4% 52, 6%), et pour l allemad π = (38, 5% 6, 5%)..7 Diffusio d u gaz et ure Les chaîes de Markov avaiet été itroduites avat les travaux de Markov: E 889, Galto a itroduit des chaîes de Markov pour étudier le problème de la disparitio de oms de famille. E 907, Ehrefest a itroduit des chaîes de Markov pour étudier la diffusio d u gaz..8 Chaîes de Markov et jeux de cartes E 92, Poicarré a itroduit des chaîes de Markov pour étudier le problème du battage de cartes. Ce problème a été étudié par la suite par Borel & Chero (940), Doob (954) ou Thorpe (972). Le ombre de méthodes pour battre les cartes est presque ifii, O coupe e deux, et o itervertit les deux tas (figure.8), ), 2 O pred ue carte au hasard, o la met au dessus du tas, et o recommece (figure??). Toutes ces méthodes coduiset plus ou mois vite (parfois jamais) à ue répartitio uiformémet aléatoire des cartes.

6 Ure d Ehrefest, étape 0 Ure d Ehrefest, étape Ure d Ehrefest, étape 2 Ure d Ehrefest, étape Figure 6: L ure d Ehrefest. Ure d Ehrefest, étape 0 Ure d Ehrefest, étape Ure d Ehrefest, étape 2 Ure d Ehrefest, étape Figure 7: L ure d Ehrefest V D R 9 V D R R V D V D R Figure 8: Le battage de cartes.

7 V D R V D R V D R V D R V D R V D R V D R V D R Figure 9: Le battage de cartes..9 Chaîes de Markov et ADN L ADN est ue successio de ucléotique, l adémie, la cytosie, la guaie et la thymie. Par exemple gactgaactctgag... Rappelos qu il y a e réalité deux bris complémetaires, le a s associat toujours au t, et le c avec le g. O ote cg le diucléotide c suivi de g. Ces diucléotide ot aturellemet tedace à disparaître (par méthylatio c mute facitemet e t). Les séqueces cg est alors plus rare que ce que l o pourrait espérer. Das certaies régios toutefois, appelée ilôts, o trouve beaucoup de cg. Soit X le premier ucléotide d ue séquece d ADN, de loi de probabilité λ = (λ a, λ c, λ g, λ t ), où λ a = P(X = a), λ c = P(X = c), λ g = P(X = g) et λ t = P(X = t), avec λ a + λ c + λ g + λ t = et λ a, λ c, λ g, λ t 0. Il peut paraître légitime de peser que la suite des ucléotides (X ) N est pas idépedate. U modèle Markovie devrait pouvoir faire l affaire. Das la régio d ilôts cg, la matrice de trasitio (observée empiriquemet) pour le vecteur X = a c g t est P = 8, 0% 27, 4% 42, 6% 2, 0% 7, % 36, 8% 27, 4% 8, 8% 6, % 33, 9% 37, 5% 2, 5% 7, 9% 35, 5% 38, 4% 8, 6% et das la regio où régio l o est pas e présece d ilôts cg, 30, 0% 20, 5% 28, 5% 2, 0% P = 32, 2% 29, 8% 7, 8% 30, 2% 24, 8% 24, 6% 29, 8% 20, 8% 7, 7% 23, 9% 29, 2% 29, 2%.0 Applicatio au jeu de Moopoly Le jeu de Moopoly peut être vu comme ue marche aléatoire sur 40 cases, avec pour chaque case, des répercussios sur le déplacemet (aller e priso) et/ou la fortue (payer car u adversaire a costruit u hotel, ou recevoir fracs). La positio d u joueur est ue chaîe de Markov à 40 états (dot u de probabilité ulle allez e priso ). Il est aisi possible de motrer que l aveue Heri Marti est la plus fréquetée (3,2%) alors que la rue Lecourbe et l aveue des Champs Elysées sot les mois fréquetée (2,%), et que la zoe orage l emporte sur la zoe rouge.

8 le cas où T est cotiu (R ou R + ), et le cas où X est déombrable: processus de Poisso, Probabilité de gager u jeu au teis Probabilité de gager u jeu Probabilité de gager ue balle Figure 0: Probabilité de gager u jeu au teis.. Modélisatio d ue partie de teis Le jeu de teis. Cosidéros l évolutio du score au cours d u jeu de teis. U joueur gage le jeu s il atteit 50. (0,50) (5,50) (30,50) (0,40) (5,40) (30,40) (0,30) (5,30) (30,30) (40,30) (50,30) (0,5) (5,5) (30,5) (40,5) (50,5) (0,0) (5,0) (30,0) (40,0) (50,0).2 Les processus de file d attete O cosidère ue file d attete. A chaque date arrive u ouveau cliet avec probabilité p et pas de cliet avec probabilité p. U cliet das la file qui se fait servir quitte la file avec probabilité q, ou atted ecore avec probabilité q. O ote X le ombre de cliets présets das la file à la date. (X ) N est ue chaîe de Markov. A l aide de cette modélisatio (et e gééralisat), o peut regarder s il est optimal - lorsqu il y a plusieurs guichets - de créer ue file uique, ou que les cliets choisisset leur file e arrivat (e choisissat a priori la file la mois logue)..3 Cosidératio plus géérales, itroductio aux processus U processus (X t ) t T est ue collectio de variables aléatoires à valeurs das X. Pour tout ω Ω, la suite (X t (ω)) sera appelée ue trajectoire. Parmi les processus usuels, o distiguera le cas où T est discret (N ou Z), et X est déombrable: chaîe de Markov, le cas où T est discret (N ou Z), et X = R: séries temporelles,

9 File d attete p>q Modèle de file d attete p>q Nombre d uagers das la queue Nombre d usagers das la file Date Dates Figure : Evolutio de la file d attete, p > q. File d attete p>q Modèle de file d attete p>q Nombre d uagers das la queue Nombre d usagers das la file Date Dates Figure 2: Evolutio de la file d attete, p > q. File d attete p=q Modèle de file d attete p=q Nombre d uagers das la queue Nombre d usagers das la file Date Dates Figure 3: Evolutio de la file d attete, p = q.

10 File d attete p<q Modèle de file d attete p<q Nombre d uagers das la queue Nombre d usagers das la file Date Dates Figure 4: Evolutio de la file d attete, p < q. le cas où T est cotiu et X = R : processus stochastiques. Trajectoire d ue chaîe de Markov Trajectoire d ue chaîe de Markov Trajectoire d ue chaîe de Markov Trajectoire d ue chaîe de Markov

11 Trajectoire d ue série temporelle Trajectoire d ue série temporelle!4! !4! Trajectoire d u processus de comptage Trajectoire d u processus de comptage Trajectoire d u processus stochastique Trajectoire d u processus stochastique!4! !4! Quelques petits rappels de probabilité L étude des chaîes de Markov va reposer sur l étude de la loi de X + sachat X = x. 2. La loi coditioelle P(A B) Rappelos la formule de Bayes : P(A B) =. P(B) Aussi, P(X + = x + X = x ) = P(X = x, X + = x + ). P(X = x ) La formule des probabilités totales : si (B k ) k K forme ue partitio de E, alors P(A) = P(A B k ) = P(A B k ) P(B k ).

12 Aussi, P(X + = x + ) == P(X + = x + X = x ) P(X = x ). x E 2.2 U tout petit mot sur l idépedace X et X + sot idépedates si et seulemet si P(X + = x + X = x ) e déped pas de x. Das ce cas {X 0, X,..., X, X + } est u échatillo idépedat. Si les X i sot de même loi, et si les variables sot de variace fiie, rappelos que l o a ue loi (faible) des grads ombres (théorème de Khitchie), qui garatie que ( ) lim P X X E(X) > ε = 0, qui se motre à l aide de l iégalité de Tchebychev, et doc X X P E(X). La loi (forte) des grads ombres garatie ue covergece presque sûr dès lors que les variables sot d espérace fiie, ( ) X X P lim (ω) = E(X) =. 3 Quelques défiitios Soit E u espace déombrable, appelé espace d états. Les i E sot appelés états. E sera isomorphe à {,..., k}, ou à N. Exemple. Das le cas de la setielle sur la tour carrée, {N, S, E, O} sera isomorphe à {, 2, 3, 4}. Ue mesure sur E est u vecteur λ = (λ i, i E) tel que 0 λ i <. O parlera de distributio de probabilité si λ =. O se doe u espace de probabilité (Ω, F, P). Ue variable aléatoire X à valeurs das E est ue foctio X : Ω E. O pose alors λ i = P(X = i) = P({ω X(ω) = i}), et λ = (λ i ) i E. Défiitio 2. O cosidère ue suite de variables aléatoires à valeurs das E, (X ) N. Cette suite est ue chaîe de Markov si pour tout, et pour tout i 0, i,..., i, i, i + telle que P(X 0 = i 0,..., X = i ) > 0, o ait P(X + = i + X = i, X = i,..., X 0 = i 0 ) = P(X + = i + X = i ). () O parlera d absece de mémoire. Remarque 3. O parlera aussi de processus Markovie à l ordre. Plus gééralemet, o peut défiir u processus Markovie à l ordre k si P(X + = i + X = i, X = i,..., X 0 = i 0 ) (2) = P(X + = i + X = i,..., X k+ = i k+ ). (3) E posat X = (X,..., X k+ ), à valeurs das E k, otos que l équatio précédate s écrit P(X + = i + X = i, X = i,..., X k = i k ) = P(X + = i + X = i ). O retrouve u processus Markovie à l ordre, sur X = (X,..., X k+ ). Défiitio 4. Ue chaîe de Markov (X ) N est dite homogèe (das le temps) si P(X + = i + X = i ) e déped pas de.

13 La dyamique du processus est alors etièremet caractérisée par les p = P(X + = j X = i), appelées probabilité de trasitio de l état i à l état j si la chaîe est homogèe, ou plus gééralemet p () = P(X + = j X = i). Défiitio 5. Ue matrice P = (p, i, j I) est ue matrice stochastique, ou matrice de trasitio, si chaque lige p i = (p, j I) est ue distributio de probabilité. Pour tout i, j E p peut alors s iterpréter comme la probabilité d aller à l état j sachat qu o se trouve à l état i à l istat d avat. Remarque 6. A toute matrice de trasitio, o peut associer u graphe orieté. Les sommets sot les états de la chaîe, et l orietatio est doée par la probabilité p > 0. ( ) α α Exemple 7. La matrice P = est ue matrice stochastique. β β -α -β α 2 β Les chaîes de Markov peuvet être iterprétées comme des marches aléatoires (à probabilité o uiformes) sur u graphe. /2 /2 0 Exemple 8. La matrice P = 2/3 0 /3 est ue matrice stochastique. 0 2/3 /3 /2 /3 2/3 /2 / /3 /2 /2 0 Exemple 9. La matrice P = 2/3 0 /3 est ue matrice stochastique. 0 0 /2 2/3 /2 /3 2 3 Exemple 0. La matrice P = /5 /5 3/5 0 /2 /2 0 0 est ue matrice stochastique.

14 /5 3/5 /2 3 2 /2 Défiitio. Ue suite de variable aléatoire (X ) N est ue chaîe de Markov de distributio iitiale λ et de matrice de trasitio P = [p ] si X 0 a pour distributio iitiale λ, i.e. P(X 0 = i) = λ i, le probabilité que X + = j sachat que X = i est p, i.e. P(X + = j X = i) = p. Théorème 2. (Propriété de Markov) Si (X ) N est ue chaîe de Markov de distributio iitiale λ et de matrice de trasitio P, alors coditioellemet à X 0 = i, (X 0 +) N est ue chaîe de Markov, de distributio iitiale δ i et de matrice de trasitio P, idépedate des variables aléatoires {X 0,..., X 0 }. Propositio 3. si P est ue matrice stochastique et λ ue distributio de probabilité, (λp ) j = λ i p est ue mesure de probabilité. i Propositio 4. Ue suite récurrete aléatoire X + = f(x, U + ) avec (U ) suite de v.a. i.i.d. à valeurs das F et idépedates de X 0, f : E F E mesurable est ue chaîe de Markov homogèe à valeurs das E. E effet P(X + = x + X 0 = x 0,..., X = x ) = P(f(x, U ) = x + ). Propositio 5. Réciproquemet, si (X ) est ue chaîe de Markov homogèe à valeurs das E, de matrice de trasitio P, alors il existe ue suite de variables aléatoires i.i.d. (U ) à valeurs das F et idépedates de X 0 telle que X + = f(x, U + ) où. Il suffit de predre f(x, y) = if{u : P(x, ], u]) > y}. { x + u si u = Exemple 6. E = N, F = {0, } et f(x, u) = 0 si u = 0. O otera P () = (p () ) la matrice de probabilité, e partat de l état i e l istat 0, d arriver à l état j à l istat, p () = P(X = j X 0 = i), pour tout i, j E. Propositio 7. (Propriété de Markov) Si (X ) N est ue chaîe de Markov de distributio iitiale λ et de matrice de trasitio P, pour tout, k N, P(X = i) = (λp () ) i P(X +k = j X = i) = p (k) Théorème 8. (Equatio de Chapma-Kolmogorov ()) Pour tout N, P () = P. Théorème 9. (Equatio de Chapma-Kolmogorov (2)) Si (X ) N est ue chaîe de Markov de distributio iitiale λ et de matrice de trasitio P, pour tout, k N, pour tout h =,..., k, P(X +k = j X = i) = u E P(X +k = j X +h = u) P(X +h = u X = i),

15 E effet, P k = P h P k h pour tout h =,..., k. Corollaire 20. (Equatio de Chapma-Kolmogorov (3)) Si p (k) = P(X +k = j X = i), alors p (k) = u E p (h) i,u p(k ) u,j. Equatio de Chapma!Kolmogorov Equatio de Chapma!Kolmogorov ( α α Exemple 2. Reveos à l exemple où P = β β ( P 2 = ). Alors ( α) 2 + αβ [( α) 2 + αβ] [( β) 2 + αβ] ( β) 2 + αβ Plus géérallemet, otos que de P + = P P, o e déduit que p + () = ( α)p() + βp(+) 2 = ( α)p () + β[ p(+) ] = ( α β)p () + β. Cette suite défiie par récurece, avec comme valeur iitiale p (0) p () = β α + β + β α + β [ α β], dès lors que α + β > 0. Aussi, etre les dates t et t +, les probabilités de trasitios sot -α -β α 2 β ) = admet pour uique solutio etre les dates t et t + 2, les probabilités de trasitios sot ( α) 2 + αβ ( β) 2 + αβ [( α) 2 + αβ] 2 [( β) 2 + αβ] Les probabilités de trasitio p (2), et p(2),2 s iterprètet aisi

16 -α -α β et les probabilités de trasitio p (2) 2, α 2 β et p(2) 2,2 α α 2 -β -α -β -β α α 2 α 2 β 4 Classificatio des états L irréductibilité va ous assurer que tout poit de l espace E peut être atteit par la chaîe de Markov, mais aucue iformatio est apportée quat au ombre de passage par cet état. O itroduira la otio de récurrece afi de formaliser cette idée. Défiitio 22. État doée ue chaîe de Markov (X ) N de distributio iitiale λ et de matrice de trasitio P, o dira que j est atteigable depuis j si P(X +k = j X = i) > 0 pour u k N O otera i j. O dira que les états i et j commuiquet, oté i j si i j et j i. Propositio 23. i j si et seulemet si il existe N tel que p () > 0. Propositio 24. Si i j et i k, alors i k. Propositio 25. La relatio est ue classe d équivalece. À partir de cette propriété o peut partitioer E e esembles de valeurs qui commuiquet. Défiitio 26. Ue classe C est dite fermée si i C et i j implique j C. Défiitio 27. Si la chaîe de Markov e possède qu ue uique classe, c est à dire que tous ses élémets commuiquet, la chaîe sera dite irréductible. O e peut pas sortir d ue classe fermée. Défiitio 28. U état i est dite absorbat si {i} est ue classe fermée. Exemple 29. Cosidéros la chaîe de Markov suivate /2 /4 2/3 /2 /4 2 3 /2 /3 Cette chaîe est irréductible car tous les états commuiquet. Bie que p,3 = 0, p (),3 > 0 pour Pour résumer... Il existe trois type d état: trasiets (o y reviet pas toujours), récurrets uls (o y reviet toujours, au bout d u temps moye ifii), ou récurets positifs (o y reviet ue ifiité de fois, à itervalle de temps fiis, e moyee),

17 5 Temps d atteite d ue classe Défiitio 30. État doée ue chaîe de Markov (X ) N de distributio iitiale λ et de matrice de trasitio P, si A est u sous-esemble de I, la variable aléatoire τ A défiie par est appelée temps d atteite de A. τ A (ω) = if{ 0, X (ω) A} Notos que la probabilité d atteidre u état A dépuis i est p A i = P(τ A < X 0 = i). Défiitio 3. Si A est ue classe fermée de E, p A i est appelée probabilité d absorptio. Das ce cas, otos que le temps moye d atteite de la classe A, à partir de i est e A i = E(τ A X 0 = i) = < P(τ A = )+ P(τ A = ). O écrira aisi p A i = P(atteidre A X 0 = i) et e A i = E(temps d atteite de A X 0 = i). Exemple 32. O cosidère la chaîe suivate /2 /2 / /2 O part de X 0 = 2, et o cherche à calculer la probabilité d atteidre l état 4? O ote p 4 i la probabilité d atteidre 4 depuis l état i. Notos que p 4 = 0 et p 4 4 =. De plus p 4 2 = 2 p p 4 et p 4 3 = 2 p p 4 4. Aussi, p 4 2 = 2 p 4 3 = 2 ( 2 p ). 2 Aussi à partir de X 0 = 2, la probabilité d atteidre 4 est /3. Toujours à partir de X 0 = 2, et o cherche à calculer le temps moye pour atteidre u état absorbat? O ote e {,4} i le temps moye d atteidre ou 4 depuis l état i. Notos que e {,4} = e {,4} 4 = 0. De plus e {,4} 2 = + 2 e {,4} + 2 e {,4} 3 et e {,4} 3 = + 2 e {,4} e {,4} 4. Aussi, e {,4} 2 = + 2 e {,4} 3 = + 2 ( + ) 2 e {,4} 2. Aussi à partir de X 0 = 2, le temps moye pour atteidre u état absorbat est 2. Notos que pour le vecteur de probabilité d atteidre {4}, o a le système suivat p 4 = 0, p 4 2 = [p 4 + p 4 3 ]/2, p 4 3 = [p p 4 4 ]/2, p 4 4 =., et pour le vecteur de temps moye d atteite des états absorbats e {,4} = 0, e {,4} 2 = + [e {,4} + p {,4} 3 ]/2, e {,4} 3 = + [p {,4} 2 + p {,4} 4 ]/2, e {,4} 4 = 0.,

18 De maière plus géérale, o a le résultat suivat Propositio 33. Le vecteur des probabilités p A = (p A i ) i I est la solutio miimale positive du système { pa i = si i A p A i = j I p p A j si i / A Propositio 34. Le vecteur des temps moye d atteite de la classe A e A = (e A i ) i I est la solutio miimale positive du système { ea i = 0 si i A e A i = + j / A p e A j si i / A Défiitio 35. Ue variable aléatoire T à valeurs das {0,, 2,...} { } est u temps d arrêt pour ue chaîe de Markov (X ) N si l évèemet {T = } deped seulemet de X 0, X, X 2,... Exemple 36. Le temps d atteite d ue classe A est u temps d arrêt, avec {T = } = {X 0 / A, X / A, X 2 / A,..., X / A, X A}. Exemple 37. Le derier temps de sortie d ue classe A, τ = sup{ 0, X A} est pas u temps d arrêt. Théorème 38. (Propriété de Markov forte) Si (X ) N est ue chaîe de Markov de distributio iitiale λ et de matrice de trasitio P, et T u temps d arrêt pour (X ) N, alors coditioellemet à {T < } et X T = i, (X T + ) N est ue chaîe de Markov de distributio iitiale δ i et de matrice de trasitio P. De plus, cette chaîe est idépedate de X 0, X,..., X T. 6 Récurrece et trasciece Soit (X ) N ue chaîe de Markov sur u esemble déombrable E de matrice de trasitio P. O ote (X) x N la chaîe partat de X 0 = x. Pour x E, o itroduit Tx la suite des istats sucessifs de retour e x défiie par récurrece pour Tx = T x = if{k > 0 : Xk x + = x} Tx = if{k > Tx : Xx k = x}. Avec la covetio if{ } =. Défiitio 39. Soit X x ue chaîe de Markov partat de x E. L état x est dit. trasiet pour P si P(T x < ) <, 2. récurret pour P si P(T x < ) =. Les états récurrets peuvet être de deux types : - les états récurrets uls si E(T x ) =, - les états récurrets positifs si E(T x ) <. Ue autre caractérisatio de ces otios est la suivate, Propositio 40. Soit X x ue chaîe de Markov partat de x E. L état x est dit. trasiet pour P si P(X = x pour ue ifiité de valeurs de X 0 = x) =, 2. récurret pour P si P(X = x pour ue ifiité de valeurs de X 0 = x) = 0.

19 Exemple 4. Cosidéros la chaîe de Markov suivate /2 /2 /4 /2 /2 /4 / /4 de matrice de trasitio P = /2 /2 0 0 /2 /2 0 0 /4 /4 /4 / Cette chaîe comporte 3 classes {, 2}, {3} et {4}. L état {4} est absorbat, les classes {, 2} et {4} sot récurretes et la classe {3} est trasiete. Propositio 42. Si E est u espace d état fii, toute chaîe irréductible est récurrete. Les temps de passage sot reliés au ombre de visites N x de la chaîe das u état par la formule N x = k=0 (Xx k = x) ombre de passage e x de la chaiîe, N x p + Tx p <, Nx = k=0 (Xx k = x) ombre de passage e x avat l istat, N x p + Tx p. Propositio 43. Soit x E, alors si T x <, les variables T x, T 2 x T x,..., T + x T x sot idépedates et idetiquemet distribuées. Propositio 44. Si x est récurret, la suite (X x ) reviet presque suremet ue ifiité de fois à so état iitial, i.e. P(N x = ) =. Propositio 45. Si x est trasiet, presque suremet la suite (X x ) visite x u ombre fii de fois. Le ombre de visite suit la loi géométrique P(N x = k) = ( π)π k, k avec π = P(T x < ). Si C est ue classe de E dot tous les élémets commuiquet, alors tous les états sot soit trasiets, soit récurrets. Propositio 46. Supposos P irréductible. Alors tous les états sot de même ature (récurrets positifs, ou récurrets uls, ou trasiets). das le cas récurret, tous les poits de E sot visités ifiimet souvet : pour x, y E P(X x = y pour u ifiité de ) =, das le cas trasiet, les sous-esembles fiis de E e sot visités (qu au plus) u ombre fii de fois : pour A E de cardial fii P(X A pour ue ifiité de ) = 0.

20 7 Premier temps d atteite d u état, récurrece et trasiece Défiitio 47. État doée ue chaîe de Markov (X ) N de distributio iitiale λ et de matrice de trasitio P, o cosidère la probabilité d atteidre u état pour la première fois u état j, partat de i, e étapes, otée f () (), i.e. f = P(T {j} = X 0 = i). O pose, par covetio, f (0) = 0. Propositio 48. Pour 0,p () = k=0 f (k) p( k). Si le processus passe de i ) j e étapes, o s itéresse à l istat k où le processus à atteit j pour la première fois. Cette derière écriutre permet e particulier de calculer de maière récursive les f (), e otat que f () = p(), et que f () = p () k= f (k) p( k), pour 2. O peut alors motrer le criètre de récurrece et de trasiece suivat Propositio 49. Si =0 p (k) j,j = l état j est récuret, et si =0 p (k) j,j < l état j est trasiet. Ue démostratio peut se faire à l aide des foctio géératrice, e posat P (z) = p () z et F (z) = f () z, e otat que P (z) = δ + F (z) P j,j (z) et du Lemme 0 0 d Abel, Lemme 50. Si ue série de terme gééral u coverge, et u = 0 u, alors lim Réciproquemet, si u 0, et si lim z 0 u z z = u( ) alors u = 0 u. Ce résultat permet de motrer que la récurrece est ue propriété de classe, Propositio 5. Si i j, et si i est récurret, alors j sera égalemet récurret. z 0 u z z = u. Propositio 52. Si ue chaîe de Markov a u ombre d état fii, il existe au mois u état récurret. 8 Marche aléatoire et ruie du joueur Cosidéros das u premier temps la marche aléatoire 2 das Z. 2 Ue aimatio de cet algorithme est téléchargeable sur

21 Pricipe de réflexio de la marche aléatoire A B T A Figure 5: Pricipe de réflexio. 8. Approche fréquetiste O cosidère ici la marche aléatoire, X = X + ε pour, où ε est ue suite i.i.d. de variables valat + avec probabilité p et avec probabilité p. x est la richesse d u joueur jouat à pile ou face, gagat euro dès que pile sort (probabilité p), et perdat dès que face sort, au bout de tirages. Plaços ous das le cas p = /2. Pour détermier les probabilités de trasitio, o peut compter les trajectoires. Soit A l origie (A = (0, 0)), et u B u poit atteigable e tirages, B = (, x ). Notos que x +. Notos de plus que x est forcémet de la même parité que (si est impair, x est forcémet ( impair, et réciproquemet). Le ombre de trajectoires passat de A à B est alors +x ) 2. Comme le ombre total de trajectoires de logueur est 2, la probabilité N,x = d atteidre le poit B est alors p,x = ( +x ) 2 2. Le retour à l origie correspod à la positio x = 0, qui est écessairemet possible seulemet pour pair, i.e. = 2k. Aussi, p 2k,0 = ( ) k 2 2k. 2k O peut moter que pour grad, à l aide de la formule de Stirlig, p 2k,0 / π. Avat d attaquer le problème du premier retour à l origie, rappelos le pricipe de réflexio. Cosidéros désormais deux poits quelcoques A = (a, x a ) et B = (b, x b ), dot les ordoées sot supposées strictemet positives. Le ombre de trajectoires allat de A = (a, x a ) à B = (b, x b ) est égal au ombre de trajectoires allat de A = (a, x a ) à B = (b, x b ). C est ce qui s appelle pricipe de réflexio. Ce résultat se motre simplemet par u pricipe de bijectio, e cosidérat toutes les trajectoires possibles, et e itroduisat le poit T correspodat au premier retour e 0 (cf Figure??) O peut alors utiliser ce résultat pour calculer la probabilité de e jamais reveir e 0, etre la date 0 et la date. Pour cela calculos le ombre de trajectoires qui sot toujours au dessus de la l axe horizotal etre A = (, ) et B = (, x ), oté N,x +. Le ombre total de trajectoire est N,x (compte teu du fait que l o part de (, ) et o pas de (0, 0)). O peut alors écrire que N,x = N,x + + N,x où N,x est le ombre de trajectoires allat de A à B qui touche l axe horizotal. E utilisat le pricipe de réflexio, otos que N,x correspod au ombre de trajectoires allat de A = (, ) à B, soit (par u chagemet d origie), etre (0, 0) et

22 (, x + ) N,x = N,x+. Aussi, N +,x = N,x N,x+ = ( +x 2 ) ( +x ) 2 = N,x x, Pour détermiier le ombre N + de trajectoires qui sot toujours au dessus de la l axe horizotal à partir de A = (, ), i.e. {X > 0,..., X > 0}, otos que, pour pair, ( N + = 4N ) ( ) (par récurece, et e comptat les chemis). Aussi, N + = ) 2. 2( La probabilité pour qu o ait aucu retour à l origie etre 0 et la date = 2k est alors π 2k = P(X 0 = 0, X 0, X 2 0,..., X 2k 0, X 2k = 0). Pour ce calcul, motros quelques résultats itermédiaires. Rappelos déjà que p 2k,0 = P(X 2k = 0 X 0 = 0) = p 2k,0 = ( ) k 2 2k. Motros que p 2k,0 = P(X 0, X 2 0,..., X 2k 0, X 2k 2k 0). Si la trajectoire e coupe jamais l axe horizotal, ce que soit o est toujours positif, soit toujours égatif, i.e. P(X 0, X 2 0,..., X 2k 0, X 2k 0) = 2P(X > 0, X 2 > 0,..., X 2k > 0, X 2k > 0). Or d après la questio précédate, P(X > 0, X 2 > 0,..., X 2k > 0, X 2k > 0) = 2 2k N + 2k = ( ) k 2 2k = p 2k,0, 2k aussi P(X 2k = 0 X 0 = 0) = p 2k,0 = ( ) k 2 2k 2k =P(X 0, X 2 0,..., X 2k 0, X 2k 0). Soit efi τ la variable aléatoire du premier retour e 0. qui peut s écrire P(τ = 2k) = P(X 0, X 2 0,..., X 2k 0, X 2k = 0), P(τ = 2k) = P(X 0, X 2 0,..., X 2k 0) P(X 0, X 2 0,..., X 2k 0, X 2k 0), c est à dire, e utilisat les questios précédates, P(τ = 2k) = p 2k 2,0 p 2k,0 = p 2k,0 2k = 2k 2 2k ( ) k. 2k Il est possible de motrer que cette foctio est effectivemet ue loi de probabilité (sur N ), dot la loi et la foctio de répartitio sot représetées sur le graphique?? Parmi les autres résultats classiques sur la marche aléatoire, il y a la loi de l arcsius, liée à l étude du derier passage e 0 (puisque ous avos vu que la marche aléatoire avait tedace à toujours reveir e 0, o peut légitimemet se poser la questio). Si π 2k,2 désige la probabilité que jusqu à l istat 2 - iclus - le derier passage ait eu lieu à la date 2k ( 2), alors Ce résultat s obtiet e motat que π 2k,2 = p 2k,0 p 2 2k,0, pour k = 0,,...,. π 2k,2 = P({, X 2k=0 } {X 2k+ 0,..., X 2 0}),

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

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

Plus en détail

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

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

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

* 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

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

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

Chapitre 4 Lois discrètes

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

Plus en détail

[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

Processus et martingales en temps continu

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

Plus en détail

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

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

Plus en détail

. (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

La classification de données quantitatives avec SPAD

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

Plus en détail

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

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

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

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

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

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

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

Plus en détail

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

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

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

Plus en détail

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

[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

CHAPITRE 2 SÉRIES ENTIÈRES

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

Plus en détail

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

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

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

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

Plus en détail

PROBABILITÉS. A cette expérience aléatoire, on associe l ensemble des résultats possibles appelé univers. Ses éléments sont appelés éventualités.

PROBABILITÉS. A cette expérience aléatoire, on associe l ensemble des résultats possibles appelé univers. Ses éléments sont appelés éventualités. PROBABILITÉS I. PROBABILITÉS ( RAPPELS) a. Expérieces aléatoires et modèles Le lacer d ue pièce de moaie, le lacer d u dé sot des expérieces aléatoires, car avat de les effectuer, o e peut pas prévoir

Plus en détail

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

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

Plus en détail

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

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

Plus en détail

FONCTION EXPONENTIELLE

FONCTION EXPONENTIELLE FONCTION EXPONENTIELLE I. RAPPELS : METHODE D EULER Si f est ue foctio dérivable e x 0, o sait que f(x 0 + h) a pour approximatio affie f(x 0 ) + f '(x 0 )h O peut doc sur de "petits" itervalles, approcher

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

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

Devoir de statistiques: CORRIGE

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

Plus en détail

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

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

Plus en détail

Baccalauréat S Nouvelle-Calédonie 7 mars 2014

Baccalauréat S Nouvelle-Calédonie 7 mars 2014 Durée : 4 heures Baccalauréat S Nouvelle-Calédoie 7 mars 2014 A. P. M. E. P. EXERCICE 1 Commu à tous les cadidats 4 poits Cet exercice est u QCM questioaire à choix multiple. Pour chaque questio, ue seule

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

PROMENADE ALÉATOIRE : Chaînes de Markov et martingales

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

Plus en détail

EXERCICES : DÉNOMBREMENT

EXERCICES : DÉNOMBREMENT Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris

Plus en détail

STATISTIQUE : TESTS D HYPOTHESES

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

Plus en détail

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

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

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

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

Plus en détail

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

Correction Bac ES France juin 2010

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

Plus en détail

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

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

Plus en détail

Université Pierre et Marie Curie Licence de Mathématiques (3ème année) Année 2004/2005. Probabilités Pierre Priouret

Université Pierre et Marie Curie Licence de Mathématiques (3ème année) Année 2004/2005. Probabilités Pierre Priouret Uiversité Pierre et Marie Curie Licece de Mathématiques (3ème aée) Aée 2004/2005 Probabilités Pierre Priouret Mode d emploi Ce polycopié est destié aux étudiats de la Licece (3ème aée) de Mathématiques

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

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

Séries réelles ou complexes

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

Plus en détail

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

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

Plus en détail

Éléments de cours de Probabilités

Éléments de cours de Probabilités Élémets de cours de Probabilités Licece de mathématiques Uiversité de Versailles Sait-Queti Jea-Fraçois Marckert Table des matières I. Itroductio 1 1. U peu d histoire......................................

Plus en détail

Exercices - Lois discrètes usuelles : corrigé

Exercices - Lois discrètes usuelles : corrigé www.almohadiss.com Exercice - Avio - L2/Prépa Hec - O ote X la variable aléatoire du ombre de moteurs de A qui tombet e pae, et Y la variable aléatoire du ombre de moteurs de B qui tombet e pae. X suit

Plus en détail

La Méthode de Monte Carlo

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

Plus en détail

Probabilités & Statistiques L1: Cours. December 20, 2008

Probabilités & Statistiques L1: Cours. December 20, 2008 Probabilités & Statistiques L1: Cours December 20, 2008 Chapter 1 Déombremets I 1.1 Pricipes gééraux Règle du produit O fait deux expérieces, successives ou simultaées. Si la première doe 1 résultats possibles

Plus en détail

AVANT PROPOS. Cet ouvrage pourra intéresser également les enseignants de ce niveau.

AVANT PROPOS. Cet ouvrage pourra intéresser également les enseignants de ce niveau. AVANT PROPOS Cet ouvrage propose aux élèves de classes termiales (fraçais) S (spécialité math) des rappels et des complémets de cours assez complet, aisi que des problèmes et des exercices corrigés. Les

Plus en détail

B) CHAÎNES DE SOLIDES

B) CHAÎNES DE SOLIDES Chaîes de solides B) CHAÎNES DE SOLIDES Objectifs Cette théorie a pour but d'aalyser les comportemets statique et ciématique d'u mécaisme à partir d'u modèle défii par le schéma ciématique du mécaisme.

Plus en détail

ADMISSION AU COLLEGE UNIVERSITAIRE

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

Plus en détail

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

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

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

Plus en détail

Remise à Niveau Mathématiques

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

Plus en détail

TS Intervalle de fluctuation et estimation Cours

TS Intervalle de fluctuation et estimation Cours Aée 2013/2014 TS Itervalle de fluctuatio et estimatio Cours est u etier aturel o ul et p est u réel de l itervalle 0 ; 1. I Itervalle de fluctuatio Cotexte : Das ue populatio, la proportio d idividus présetat

Plus en détail

09 G 18bis AR Durée: 4 heures Séries : S1-S3 - Coeff. 8.. Epreuve du 1 er groupe

09 G 18bis AR Durée: 4 heures Séries : S1-S3 - Coeff. 8.. Epreuve du 1 er groupe UNIVERSITE CHEIKH ANTA DIOP DE DAKAR 1/ 9 OFFICE DU BACCALAUREAT BP 5005-DAKAR-Fa-Séégal Serveur Vocal: 68 05 59 Téléfax (1) 864 67 39 - Tél : 84 95 9-84 65 81 M A T H E M A T I Q U E S 09 G 18bis AR Durée:

Plus en détail

Travaux dirigés G33 Dimensionnement 2 séances Enseignant : Anthony Busson.

Travaux dirigés G33 Dimensionnement 2 séances Enseignant : Anthony Busson. Travaux dirigés G33 Dimesioemet 2 séaces Eseigat : Athoy Busso. Exercice 1 : O cosidère u web switch et 3 serveurs web. Le web switch reçoit les requêtes http proveat des cliets et les répartit de maière

Plus en détail

Suites et séries de fonctions

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

Plus en détail

BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 2015

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

Plus en détail

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

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

Plus en détail

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6 Corrigés TD Chapitre : Variables aléatoires sur u uivers fii Exercice : Soit X la VAR défiie par le tableau suivat : x i - - 0 p 6 4 6 4 6 i O ote Y = X ) Détermier la loi cooite de X et Y ) Détermier

Plus en détail

14 Chapitre 14. Théorème du point fixe

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

Plus en détail

Seconde année - Semestre 3 PROBABILITÉS

Seconde année - Semestre 3 PROBABILITÉS 1 UNIVERSITÉ DE CERGY Aée 2012-2013 LICENCE d ÉCONOMIE et GESTION Secode aée - Semestre 3 PROBABILITÉS Feuille d exercices N 3 : Variables aléatoires - Lois discrètes 1. Calculez 3 2 + 2 5 Exercice I (

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

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

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

Correction des exercices sur la nature ondulatoire de la lumière

Correction des exercices sur la nature ondulatoire de la lumière CORRECTION EXERCICES TS /5 CHAPITRE 3 Correctio des exercices sur la ature odulatoire de la lumière Correctio exercice : idice d u verre et réfractio. La radiatio = 530 m est verte et la radiatio = 680

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

Analyse de structures de données et d algorithmes

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

Plus en détail

CHAPITRE 22. Machines à sous

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

Plus en détail

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

Séquence 5. La fonction logarithme népérien. Sommaire

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

Plus en détail

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

Mathématiques. Terminale S Corrigés des exercices. Rédaction : Laurent Beroul Isabelle Tenaud Sébastien Cario. Coordination : Sébastien Cario

Mathématiques. Terminale S Corrigés des exercices. Rédaction : Laurent Beroul Isabelle Tenaud Sébastien Cario. Coordination : Sébastien Cario Mathématiques Termiale S Corrigés des eercices Rédactio : Lauret Beroul Isabelle Teaud Sébastie Cario Coordiatio : Sébastie Cario Ce cours est la propriété du Ced Les images et tetes itégrés à ce cours

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

Cours VII. Tests de randomisation - Tests de contingence P. Coquillard 2015

Cours VII. Tests de randomisation - Tests de contingence P. Coquillard 2015 1 TESTS DE RANDOMISATION Cours VII. Tests de radomisatio - Tests de cotigece P. Couillard 2015 Das ue majorité de cas e biologie o cosidèrera certaies hyothèses comme des alteratives à l hyothèse ulle.

Plus en détail

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

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

Plus en détail

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.

Plus en détail

Séquence 8. Suites arithmétiques et géométriques. Sommaire

Séquence 8. Suites arithmétiques et géométriques. Sommaire Séquece 8 Suites arithmétiques et géométriques Sommaire Pré-requis Suites arithmétiques Suites géométriques Sythèse du cours Exercices d approfodissemet Séquece 8 MA Ced - Académie e lige Pré-requis A

Plus en détail

Cours de méthodes de simulation

Cours de méthodes de simulation ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION ( ESSAIT) Cours de méthodes de simulatio Préparé par Hasse MATHLOUTHI Aée uiversitaire 2014-2015 AVANT PROPOS Ce documet propose u cours sur

Plus en détail

Correction EDHEC 2007 Voie scienti que

Correction EDHEC 2007 Voie scienti que EDHE 7 ES Exercice Page orrectio EDHE 7 Voie scieti que La correctio comporte 4 pages. Exercice. Pour tout etier o ul, la foctio x 7! e x x est cotiue sur R e tat que quotiet (dot le déomiateur e s aule

Plus en détail

Corrigé de Mathématique éco HEC

Corrigé de Mathématique éco HEC Corrigé de Mathématique éco HEC EXERCICE Hypothèses. M 3 R est l espace vectoriel des matrices carrées d ordre 3 à coefficiets réels. A M 3 R : s A 3 A,j, s A 3 A,j, s 3 A 3 somme des coefficiets des liges

Plus en détail

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

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

Plus en détail

Statistique descriptive bidimensionnelle

Statistique descriptive bidimensionnelle 1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets

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

Université Mohammed V - Agdal Faculté des Sciences Département de Mathématiques et Informatique Avenue Ibn Batouta, B.P.

Université Mohammed V - Agdal Faculté des Sciences Département de Mathématiques et Informatique Avenue Ibn Batouta, B.P. Uiversité Mohammed V - Agdal Faculté des Scieces Départemet de Mathématiques et Iformatique Aveue Ib Batouta, B.P. 04 Rabat, Maroc Filière DEUG : Scieces Mathématiques et Iformatique (SMI) et Scieces Mathématiques

Plus en détail

Cours 5 : ESTIMATION PONCTUELLE

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

Plus en détail

Méthodes de Monte-Carlo

Méthodes de Monte-Carlo Méthodes de Mote-Carlo Aie MILLET Uiversités Paris 7 et Paris 1 Master ème aée : Spécialité Modélisatio Aléatoire Recherche et Professioel Parcours : Statistique et Modèles Aléatoires e Fiace Parcours

Plus en détail

Probabilités et statistique pour le CAPES

Probabilités et statistique pour le CAPES Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes

Plus en détail

MATHEMATIQUES Terminale Scientifique

MATHEMATIQUES Terminale Scientifique MATHEMATIQUES Termiale Scietifique Fiches PROGRAMME 22 (v24) Sylvie LAMY Agrégée de Mathématiques Dilômée de l École Polytechique Cours Pi e-mail : lescoursi@cours-icom site : htt://wwwcours-icom siège

Plus en détail

II. Permutations sans répétitions et notation factorielle

II. Permutations sans répétitions et notation factorielle février 2012 ORRIGE II. Permutatios sas répétitios et otatio factorielle Aalyse combiatoire 4 ème - 1 I. Itroductio Les différets modèles mathématiques costruits pour étudier les phéomèes où iterviet le

Plus en détail

Introduction aux Méthodes de Monte-Carlo

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

Plus en détail