MÉTHODE DE MONTE CARLO.

Dimension: px
Commencer à balayer dès la page:

Download "MÉTHODE DE MONTE CARLO."

Transcription

1 MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95

2 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental Simulation de la loi uniforme Fonction de répartition Méthode d inversion Cas particuliers Vérifications Méthode de rejet Lois gaussiennes 3 RÉDUCTION DE VARIANCE Variables antithétiques Variables de contrôle Monte Carlo conditionnel Échantillonnage d importance Échantillonnage stratifié A. Popier (Le Mans) Méthode de Monte Carlo. 2 / 95

3 BUT : CALCUL D ESPÉRANCE. Soient X une v.a.r. et f : R R une fonction. BUT Calculer numériquement E(f (X)). EXEMPLES FINANCE : prix d une option d achat modèle de Cox-Ross-Rubinstein : ( 1 C = (1 + r) N E S 0 N i=1 T i K ) + P(T i = 1 + u) = p = 1 P(T i = 1 + d) où p = (u r)/(u d). modèle de Black-Scholes : [ ( ) ] + C = e rt E S 0 e (r σ2 /2)T +σw T K avec W T N (0, T ).. A. Popier (Le Mans) Méthode de Monte Carlo. 3 / 95

4 BUT : CALCUL D ESPÉRANCE. Soient X une v.a.r. et f : R R une fonction. BUT Calculer numériquement E(f (X)). EXEMPLES FINANCE : prix d une option d achat ASSURANCE : calcul de la prime Prime pure : E(X), Prime exponentielle : 1 c ln E(ecX ), Prime quantile : F 1 (1 ε), X CALCUL DE PERTE ou Value At Risk en finance : P(X < seuil). etc. A. Popier (Le Mans) Méthode de Monte Carlo. 3 / 95

5 PLAN 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental Simulation de la loi uniforme Fonction de répartition Méthode d inversion Cas particuliers Vérifications Méthode de rejet Lois gaussiennes 3 RÉDUCTION DE VARIANCE Variables antithétiques Variables de contrôle Monte Carlo conditionnel Échantillonnage d importance Échantillonnage stratifié A. Popier (Le Mans) Méthode de Monte Carlo. 4 / 95

6 LOI DES GRANDS NOMBRES. THÉORÈME Soit (Y i ) i N une suite de variables aléatoires. HYPOTHÈSES indépendance distribution identique (comme une v.a. Y ) E( Y ) < +. Alors presque sûrement : lim Y 1 n = lim n + n + n (Y Y n ) = E(Y ). Autrement dit, pour n assez grand 1 n Y i E(Y ). n i=1 A. Popier (Le Mans) Méthode de Monte Carlo. 5 / 95

7 MÉTHODE DE MONTE CARLO. MÉTHODE Pour calculer µ = E(f (X)), simuler N v.a. (X n ) 1 n N i.i.d. de même loi que X, poser : ˆµ N = 1 N N i=1 f (X i ) = f (X 1) f (X N ). N Loi des grands nombres : ˆµ N µ pour N grand. PROBLÈME : quelle est l erreur commise? A. Popier (Le Mans) Méthode de Monte Carlo. 6 / 95

8 LOI EXPONENTIELLE (2) (ESPÉRANCE 1/2) A. Popier (Le Mans) Méthode de Monte Carlo. 7 / 95

9 LOI DE PARETO (0,5) PAS D ESPÉRANCE A. Popier (Le Mans) Méthode de Monte Carlo. 8 / 95

10 THÉORÈME CENTRAL LIMITE. THÉORÈME Soit (Y i ) i N une suite de v.a. HYPOTHÈSES indépendance distribution identique (comme une v.a. Y ) E( Y 2 ) < +. Alors Y n = N (0, 1) : pour tout a < b ( lim P a < ) n Y n µ < b = P(a < Z < b), Z N (0, 1). n + σ A. Popier (Le Mans) Méthode de Monte Carlo. 9 / 95

11 INTERVALLE DE CONFIANCE. TCL : µ = E(Y 1 ), Y n = 1 n (Y Y n ) P (Y n a n σ µ Y n + a n σ ) ( = P a ) n Y n µ a σ P( Z a), où σ 2 = Var(f (X)). Pour un niveau de confiance α [0, 1] fixé, il existe c α > 0 tel que Donc avec a = c α, pour n grand avec P( Z c α ) = α. P (µ I α,n ) P( Z c α ) = α ] σ σ I α,n = [Y n c α n, Y n + c α n : intervalle de confiance. A. Popier (Le Mans) Méthode de Monte Carlo. 10 / 95

12 MÉTHODE DE MONTE CARLO : ERREUR. MÉTHODE Simuler N v.a. (X n ) 1 n N i.i.d. de même loi que X. Poser : ˆµ N = 1 N N i=1 f (X i ) = f (X 1) f (X N ). N Erreur donnée par un intervalle de confiance : P ( µ I α,n ) α avec [ ] σ σ I α,n = ˆµ N c α N, ˆµ N + c α N, σ 2 = Var (f (x)). Problème : on ne connaît pas en général la variance σ 2. A. Popier (Le Mans) Méthode de Monte Carlo. 11 / 95

13 ESTIMATION DE LA VARIANCE. On estime σ 2 grâce à l estimateur Sn 2 = 1 n 1 montrer que ES 2 n = σ 2 = Var(Y ) et n (Y i Y n ) 2. On peut i=1 lim n + S2 n = σ 2. MÉTHODE Simuler N v.a. (X n ) 1 n N i.i.d. de même loi que X. Poser : ˆσ N = 1 N (f (X i ) ˆµ N ) N 1 2. i=1 A. Popier (Le Mans) Méthode de Monte Carlo. 12 / 95

14 MÉTHODE DE MONTE CARLO COMPLÈTE. MÉTHODE 1 Simuler N v.a. (X n ) 1 n N i.i.d. de même loi que X. 2 Poser : ˆµ N = 1 N f (X i ) = f (X 1) f (X N ), N N i=1 ˆσ N = 1 N (f (X i ) ˆµ N ) N Erreur donnée par intervalle de confiance avec niveau de confiance α [ ] ˆσ N ˆσ I α,n = ˆµ N c α N, ˆµ N + c α. N N i=1 A. Popier (Le Mans) Méthode de Monte Carlo. 13 / 95

15 LOI EXPONENTIELLE (2) (ESPÉRANCE 1/2) A. Popier (Le Mans) Méthode de Monte Carlo. 14 / 95

16 LOI EXPONENTIELLE (2) (DÉCROISSANCE EN 1/ N) A. Popier (Le Mans) Méthode de Monte Carlo. 15 / 95

17 PARETO (1,5) (ESPÉRANCE 3, PAS DE VARIANCE) A. Popier (Le Mans) Méthode de Monte Carlo. 16 / 95

18 PARETO (1,5) (TAILLE INTERVALLE CONFIANCE) A. Popier (Le Mans) Méthode de Monte Carlo. 17 / 95

19 MÉTHODE DE MONTE CARLO : REMARQUES. OBLIGATOIRE Donner ˆµ N sans intervalle de confiance n a aucune valeur! ERREUR Pour diminuer la taille de IC, diminuer le niveau de confiance α, augmenter N, diminuer σ ( réduction de variance). AVANT : SIMULATION Que signifie «Simuler N v.a. (X n ) 1 n N i.i.d. de même loi que X»? A. Popier (Le Mans) Méthode de Monte Carlo. 18 / 95

20 PLAN 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental Simulation de la loi uniforme Fonction de répartition Méthode d inversion Cas particuliers Vérifications Méthode de rejet Lois gaussiennes 3 RÉDUCTION DE VARIANCE Variables antithétiques Variables de contrôle Monte Carlo conditionnel Échantillonnage d importance Échantillonnage stratifié A. Popier (Le Mans) Méthode de Monte Carlo. 19 / 95

21 PLAN 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental Simulation de la loi uniforme Fonction de répartition Méthode d inversion Cas particuliers Vérifications Méthode de rejet Lois gaussiennes 3 RÉDUCTION DE VARIANCE Variables antithétiques Variables de contrôle Monte Carlo conditionnel Échantillonnage d importance Échantillonnage stratifié A. Popier (Le Mans) Méthode de Monte Carlo. 20 / 95

22 THÉORÈME FONDAMENTAL DE LA SIMULATION. THÉORÈME Toute variable aléatoire X à valeurs dans R d peut être simulée sous la forme X = en loi f (U 1, U 2,..., U n ) où (U 1, U 2,..., U n ) est uniformément répartie sur [0, 1] n, la fonction f : R n R d est borélienne et a ses points de discontinuité dans un ensemble Lebesgue-négligeable. Il est même possible de réaliser ceci en imposant n = 1 ou n = d ou encore n 1 donné. REMARQUE : f est «explicite». A. Popier (Le Mans) Méthode de Monte Carlo. 21 / 95

23 PLAN 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental Simulation de la loi uniforme Fonction de répartition Méthode d inversion Cas particuliers Vérifications Méthode de rejet Lois gaussiennes 3 RÉDUCTION DE VARIANCE Variables antithétiques Variables de contrôle Monte Carlo conditionnel Échantillonnage d importance Échantillonnage stratifié A. Popier (Le Mans) Méthode de Monte Carlo. 22 / 95

24 SUITES ALÉATOIRES. Considérons une suite finie x := x 1,..., x n {0, 1}. Toutes les suites finies de ce type sont équiprobables et de probabilité 2 n. Certaines suites moins aléatoires que d autres 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1 1, 0, 0, 1, 0, 1, 1, 1, 0, 1, 0, 1, 1, 0, 0, 0, 1, 0 Quel sens donner et comment quantifier le caractère aléatoire d une suite finie ou infinie donnée? Comment produire des suites finies qui sont de «bonnes» approximations finies des suites infinies probables correspondant à des réalisations i.i.d. d une loi donnée? Comment mesurer la qualité de ces algorithmes? A. Popier (Le Mans) Méthode de Monte Carlo. 23 / 95

25 SUITES ALÉATOIRES. D.H. Lehmer (1951) : A random sequence is a vague notion... in which each term is unpredictable to the uninitiated and whose digits pass a certain number of tests traditional with statisticians... A. Popier (Le Mans) Méthode de Monte Carlo. 23 / 95

26 NOMBRES PSEUDO-ALÉATOIRES. Simuler la loi uniforme consistera à produire par un algorithme des suites finies de nombres que nous pouvons considérer comme autant de réalisations indépendantes de variables aléatoires uniformes sur [0, 1]. Mathématiquement les n sorties successives d un tel générateur seront considérées comme la donnée de U 1 (ω),..., U n (ω) pour un ω Ω où les U i sont des v.a.r. U i : (Ω, F, P) [0, 1] de loi uniforme. Matlab permet de simuler la loi uniforme via la fonction rand, qui renvoie un nombre «aléatoire» compris entre [0, 1]. A. Popier (Le Mans) Méthode de Monte Carlo. 24 / 95

27 NOMBRES PSEUDO-ALÉATOIRES. Intéressons nous au nombre 0, C est par défaut le premier nombre produit par la fonction rand de Matlab. Pour cela redémarrer Matlab, et exécuter les commandes format long rand Si tous les utilisateurs de Matlab trouvent toujours ce même nombre il ne peut être qualifié d aléatoire. D ailleurs il ne l est pas. A. Popier (Le Mans) Méthode de Monte Carlo. 25 / 95

28 NOMBRES PSEUDO-ALÉATOIRES. À ce stade il est important de faire la distinction entre deux types de méthodes de génération de suites «aléatoires». Méthodes prédictibles : ce sont des méthodes déterministes basées entièrement sur des algorithmes bien établis qui nécessitent d être initialisés. On parlera de suites ou nombres pseudo-aléatoires. Méthodes non-prédictibles : surtout utiles en cryptographie, où il est capital que le hasard utilisé ne soit pas prédictible ni reproductible. Elles peuvent être obtenues à partir des premières en utilisant des «fonctions de hachage», difficilement inversibles en terme de temps de calcul. A. Popier (Le Mans) Méthode de Monte Carlo. 26 / 95

29 ALGORITHMES PAR CONGRUENCE (LEHMER, 1950). utilisent trois paramètres entiers a, c et m et une valeur initiale x 0, appelé seed ; créent une suite d entiers y n+1 = ay n + c mod m compris entre 0 et m ; ramènent les valeurs entre 0 et 1 : x n = y n /m. Exemple : a = 13, c = 0, m = 31 et x 0 = 1. Suite des y n : Celle des x n : , , , , , , ,... A. Popier (Le Mans) Méthode de Monte Carlo. 27 / 95

30 ALGORITHMES PAR CONGRUENCE (LEHMER, 1950). Dans les années 60, sur IBM, Scientific Subroutine Package (SSP) : a = 65539, c = 0, et m = Comme le codage se fait en 32-bits, l arithmétique modulo 2 31 se fait très rapidement. a = : multiplication par a = shift + addition. Problème : y k+2 = 6y k+1 9y k : très forte corrélation. cf. graphique randssp A. Popier (Le Mans) Méthode de Monte Carlo. 27 / 95

31 ALGORITHMES PAR CONGRUENCE (LEHMER, 1950). À partir de Matlab 4, on a choisi : a = 7 5 = 16807, c = 0, m = = Toujours disponible via s=rand( seed ) : fournit le paramètre x0 de cette méthode. rand( seed,s) : impose à Matlab d utiliser cet algorithme avec x 0 = s. Périodicité grande : m 1. Génére toutes les valeurs k/m avec k = 1,..., m, i.e. [0, 1] D r = {k/m, 1 k m} [ , ]. cf. graphique randmcg A. Popier (Le Mans) Méthode de Monte Carlo. 27 / 95

32 ALGORITHME PAR DÉFAUT. À partir de la version 5 (1995), Du à G. Marsaglia. N utilise plus les algorithmes à la Lehmer, plus de multiplication, plus de division. Génère directement des nombres décimaux. Disponible via s=rand( state ) : fournit le paramètre x0 de cette méthode (vecteur de dimension 35). rand( state,s) : impose à Matlab d utiliser cet algorithme avec x 0 = s. Peut générer tous les nombres (flottants) entre 2 53 et (on ne connaît pas de nombre non atteint). Période proche de A. Popier (Le Mans) Méthode de Monte Carlo. 28 / 95

33 ALGORITHME «MERSENNE TWISTER». Troisième algorithme implémenté sous Matlab (version 5 et plus). Disponible via s=rand( twister ) : fournit le paramètre x 0 de cette méthode (vecteur de dimension 625). rand( twister,s) : impose à Matlab d utiliser cet algorithme avec x 0 = s. Période de l ordre de ( )/2. A. Popier (Le Mans) Méthode de Monte Carlo. 29 / 95

34 IMPORTANCE DE LA RACINE. REMARQUE Connaître la valeur de la racine avant de lancer un programme peut être important! Notamment pour pouvoir : comparer des vitesses de calcul ; générer des variables aléatoires couplées. Pour éviter d avoir toujours le même nombre de départ : rand ( s t a t e,sum(100 clock ) ) rand A. Popier (Le Mans) Méthode de Monte Carlo. 30 / 95

35 PLAN 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental Simulation de la loi uniforme Fonction de répartition Méthode d inversion Cas particuliers Vérifications Méthode de rejet Lois gaussiennes 3 RÉDUCTION DE VARIANCE Variables antithétiques Variables de contrôle Monte Carlo conditionnel Échantillonnage d importance Échantillonnage stratifié A. Popier (Le Mans) Méthode de Monte Carlo. 31 / 95

36 FONCTION DE RÉPARTITION. DÉFINITION La fonction de répartition de X, notée F X, est définie sur R par : x R, F X (x) = P(X x). PROPOSITION Soit F X la fonction de répartition d une v.a.r. X. Alors : 1 F X (x) [0, 1]. 2 F X est croissante. 3 lim F X (x) = 0 et lim F X (x) = 1. x x + 4 F X est continue à droite et a une limite à gauche en tout point. A. Popier (Le Mans) Méthode de Monte Carlo. 32 / 95

37 V.A. À DENSITÉ. DÉFINITION Une v.a. X est à densité (par rapport à la mesure de Lebesgue) s il existe f t.q. pour tout x R, f (x) 0 ; + f (x) dx = 1 ; et pour tout a < b +, P(a < X b) = b a f (t)dt. EXEMPLE : LOI UNIFORME SUR [a, b] X suit une loi uniforme sur [a, b] si sa densité f est f (x) = 1 b a 1 [a,b](x). A. Popier (Le Mans) Méthode de Monte Carlo. 33 / 95

38 V.A. À DENSITÉ. PROPOSITION Si X a pour densité f, alors x R, F X (x) = P(X x) = x f (t)dt. F X est continue. F X est dérivable aux points de continuité de f avec f X (x) = F X (x). EXEMPLE : LOI UNIFORME SUR [a, b] Si X suit la loi uniforme sur [a, b], alors F X (x) = 0 si x a, F X (x) = x a si x [a, b], b a F X (x) = 1 pour x b. A. Popier (Le Mans) Méthode de Monte Carlo. 33 / 95

39 V.A. DISCRÈTES. DÉFINITION Une v.a. X est discrète si elle ne prend qu un nombre fini (ou dénombrable) de valeurs {x i R, i N} avec probabilité p i = P(X = x i ) 0. De plus + P(X = x i ) = + i=0 i=0 p i = 1. REPRÉSENTATION en tableau X x 0 x 1 x 2 x 3... (valeurs prises parx) P(X = x i ) p 0 p 1 p 2 p 3... (probabilité) PROPOSITION Si X est une v.a. discrète, F X est constante par morceaux. A. Popier (Le Mans) Méthode de Monte Carlo. 34 / 95

40 EXEMPLE : DÉ À SIX FACES. FONCTION DE RÉPARTITION d une v.a. de loi uniforme sur {1,..., 6} A. Popier (Le Mans) Méthode de Monte Carlo. 35 / 95

41 PLAN 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental Simulation de la loi uniforme Fonction de répartition Méthode d inversion Cas particuliers Vérifications Méthode de rejet Lois gaussiennes 3 RÉDUCTION DE VARIANCE Variables antithétiques Variables de contrôle Monte Carlo conditionnel Échantillonnage d importance Échantillonnage stratifié A. Popier (Le Mans) Méthode de Monte Carlo. 36 / 95

42 MÉTHODE D INVERSION. Si X est une v.a.r. alors la fonction de répartition F X est définie par x R, F X (x) = P(X x). Comme F X est croissante, on peut définir la fonction pseudo-inverse q X de F X ainsi : u (0, 1), q X (u) = inf{x R, F X (x) > u}. THÉORÈME Si U suit une loi uniforme sur [0, 1], q X (U) suit la même loi que X. PROPOSITION Si F est inversible, alors q = F 1. A. Popier (Le Mans) Méthode de Monte Carlo. 37 / 95

43 EXEMPLES. Si U suit une loi uniforme sur [0, 1], alors LOI UNIFORME SUR [a, b] X = a + (b a)u suit la loi uniforme sur [a, b]. LOI EXPONENTIELLE X = 1 ln(1 U) suit la loi exponentielle de paramètre λ. λ LOI DE CAUCHY X = c tan(π(u 1/2)) suit la loi de Cauchy de paramètre c. LOI DE BERNOULLI Si U < 1 p, X = 0, sinon X = 1 : suit la loi de Bernoulli de paramètre p [0, 1]. A. Popier (Le Mans) Méthode de Monte Carlo. 38 / 95

44 LOI DISCRÈTE À SUPPORT FINI. function r e a l i s = r d i s t ( x, p ) n=length ( p ) ; r = rand ; a = 0; b = p ( 1 ) ; for i = 1 : n 1, i f ( ( r >=a ) & ( r <b ) ) r e a l i s = x ( i ) ; return ; end a = b ; b = b + p ( i + 1 ) ; end r e a l i s = x ( n ) ; A. Popier (Le Mans) Méthode de Monte Carlo. 39 / 95

45 LOI UNIFORME. function r e a l i s = r a n d d i s c r ( x, n,m) %Renvoie des realisations iid %de loi uniforme sur x(1),...,x(length(x)). %n et m sont des entiers optionnels, valant 1 par defaut. i f ( nargin ==0) error ( Pas assez de parametres ) ; e l s e i f ( nargin ==1) n=1;m=1; e l s e i f ( nargin ==2) m=1; e l s e i f ( nargin >3) error ( Trop de parametres ) ; end ; r e a l i s = reshape ( x ( c e i l ( length ( x ) rand ( n,m) ) ), n,m) ; return ; A. Popier (Le Mans) Méthode de Monte Carlo. 40 / 95

46 INVERSION : DIMENSION QUELCONQUE. Soit une v.a. X = (X 1, X 2 ) de loi connue P X sur R 2 avec densité f > 0. Fonction de répartition de X 1 : x1 F X1 (x 1 ) = f (x, y)dxdy. Soit q 1 son inverse. Fonction de répartition F X 1=x 1 X 2 de la loi conditionnelle de X 2 sachant X 1 = x 1 : x2 F X 1=x 1 X 2 (x 2 ) = f (x 1, y)dy + f (x 1, y)dy. Inverse : q 2. MÉTHODE Si U 1 et U 2 sont deux v.a. uniformes sur [0, 1] indépendantes, alors X 1 = q 1 (U 1 ), X 2 = q 2 (q 1 (U 1 ), U 2 ). R A. Popier (Le Mans) Méthode de Monte Carlo. 41 / 95

47 PLAN 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental Simulation de la loi uniforme Fonction de répartition Méthode d inversion Cas particuliers Vérifications Méthode de rejet Lois gaussiennes 3 RÉDUCTION DE VARIANCE Variables antithétiques Variables de contrôle Monte Carlo conditionnel Échantillonnage d importance Échantillonnage stratifié A. Popier (Le Mans) Méthode de Monte Carlo. 42 / 95

48 LOI BINOMIALE. DÉFINITION Une v.a. X à valeurs entières comprises entre 1 et N suit une loi binômiale de paramètres N N et p [0, 1] si : k = 1,..., N, P(X = k) = C k N pk (1 p) N k. PROPOSITION Soient U i, i = 1,..., N des v.a. uniformes sur [0, 1] indépendantes. N Soit X le nombre des U i inférieures à p [0, 1], i.e. X = 1 Ui <p. Alors X suit une loi binomiale de paramètres N et p. i=1 MÉTHODE Simuler N v.a. de Bernoulli X i et en faire la somme. A. Popier (Le Mans) Méthode de Monte Carlo. 43 / 95

49 LOI GÉOMÉTRIQUE. DÉFINITION Une v.a. X à valeurs entières strictement positives suit une loi géométrique de paramètre p ]0, 1[ si : QUELQUES RÉSULTATS : E(X) = 1 1 p p, Var(X) =. p 2 P(X k) = (1 p) k 1. PILE OU FACE n 1, P(X = n) = p(1 p) n 1. Une loi géométrique est la loi du nombre de tirages à pile ou face (indépendants) à réaliser pour obtenir face (si face a p % de chances de sortir). A. Popier (Le Mans) Méthode de Monte Carlo. 44 / 95

50 LOI DE POISSON. DÉFINITION Une v.a. X à valeurs entières positives suit une loi de Poisson de paramètre λ > 0 si : MOMENTS : E(X) = Var(X) = λ. PROPOSITION λ λn n 0, P(X = n) = e n!. Soit (E n ) n N v.a. i.i.d. exponentielles de paramètre λ. Alors λ λn P(E E n 1 < E E n+1 ) = e n!. A. Popier (Le Mans) Méthode de Monte Carlo. 45 / 95

51 LOI DE POISSON. DÉFINITION Une v.a. X à valeurs entières positives suit une loi de Poisson de paramètre λ > 0 si : MOMENTS : E(X) = Var(X) = λ. MÉTHODE λ λn n 0, P(X = n) = e n!. X = 1 E1 1<E 1 +E E1 +E 2 1<E 1 +E 2 +E n 1 E E n 1<E E n suit une loi de Poisson de paramètre λ. A. Popier (Le Mans) Méthode de Monte Carlo. 45 / 95

52 PLAN 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental Simulation de la loi uniforme Fonction de répartition Méthode d inversion Cas particuliers Vérifications Méthode de rejet Lois gaussiennes 3 RÉDUCTION DE VARIANCE Variables antithétiques Variables de contrôle Monte Carlo conditionnel Échantillonnage d importance Échantillonnage stratifié A. Popier (Le Mans) Méthode de Monte Carlo. 46 / 95

53 QUELLES VÉRIFICATIONS? DEUX TYPES de vérifications : histogramme normalisé contre densité, fonctions de répartition empirique contre théorique. Dans les deux cas, il faut d abord simuler un grand nombre de fois la loi en question. Pour n N, on obtient un vecteur (x 1,..., x n ) qui contient n réalisations de la loi de X. A. Popier (Le Mans) Méthode de Monte Carlo. 47 / 95

54 HISTOGRAMME VS. DENSITÉ. HISTOGRAMME NORMALISÉ 1 regrouper les n termes dans un certain nombre m de classes (avec m < n). Dans chaque classe r m réalisations de X avec r m = n. m 2 normalisation : la somme des aires des colonnes fait 1 r m /(n(c m+1 C m )). 3 tracé : sur l axe des abscisses, placer les m centres des m classes, et mettre une colonne de hauteur r m /(n(c m+1 C m )). CONVERGENCE VERS LA DENSITÉ r m n(c m+1 C m ) n + 1 C m+1 C m P(X [C m, C m+1 [). A. Popier (Le Mans) Méthode de Monte Carlo. 48 / 95

55 HISTOGRAMME VS. DENSITÉ. CONVERGENCE VERS LA DENSITÉ CONCLUSION r m n(c m+1 C m ) n + 1 C m+1 C m P(X [C m, C m+1 [). Si X discrète avec C k espacés de 1, approximativement p k. Si X à densité, alors P(X [C m, C m+1 [) C m+1 C m = 1 C m+1 C m Cm+1 C m f (t)dt C m+1 C m 0 f (C m). A. Popier (Le Mans) Méthode de Monte Carlo. 48 / 95

56 RÉPARTITION EMPIRIQUE VS. THÉORIQUE. FONCTION DE RÉPARTITION EMPIRIQUE t R, F n (t) = 1 n n 1 ],t] (x i ). i=1 THÉORÈME DE KOLMOGOROV-SMIRNOV t R, lim F n (t) = F X (t). n + A. Popier (Le Mans) Méthode de Monte Carlo. 49 / 95

57 EXEMPLE SUR LA LOI EXPONENTIELLE(2). n=100 Histogramme vs densite Fcts de repartition empirique theorique !0.2! A. Popier (Le Mans) Méthode de Monte Carlo. 50 / 95

58 EXEMPLE SUR LA LOI EXPONENTIELLE(2). n=10000 Histogramme vs densite Fcts de repartition empirique theorique !0.2! A. Popier (Le Mans) Méthode de Monte Carlo. 51 / 95

59 EXEMPLE SUR LA LOI DE BERNOULLI(0.3). n=100 Histogramme Fcts de repartition empirique theorique ! !0.2!1.0! A. Popier (Le Mans) Méthode de Monte Carlo. 52 / 95

60 EXEMPLE SUR LA LOI DE BERNOULLI(0.3). n=10000 Histogramme Fcts de repartition empirique theorique ! !0.2!1.0! A. Popier (Le Mans) Méthode de Monte Carlo. 53 / 95

61 PLAN 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental Simulation de la loi uniforme Fonction de répartition Méthode d inversion Cas particuliers Vérifications Méthode de rejet Lois gaussiennes 3 RÉDUCTION DE VARIANCE Variables antithétiques Variables de contrôle Monte Carlo conditionnel Échantillonnage d importance Échantillonnage stratifié A. Popier (Le Mans) Méthode de Monte Carlo. 54 / 95

62 MÉTHODE DE REJET. On veut simuler une v.a. de densité f, et il existe une densité g simulable facilement et une constante k 1 telle que Soit α(x) = f (x) kg(x). PROPOSITION x R, f (x) kg(x). Soit (X i ) i 1 une suite de v.a. i.i.d. de densité g, et (U i ) i 1 une suite de v.a. i.i.d. de loi uniforme sur [0, 1], indépendante de la suite (X i ) i 1. Soit T = inf{i 1, U i α(x i )}. La variable X T a pour densité f. A. Popier (Le Mans) Méthode de Monte Carlo. 55 / 95

63 MÉTHODE DE REJET. MÉTHODE Soit (X 1, U 1 ) un couple de v.a. indépendantes telles que X 1 suive la loi de densité g et U 1 suive une loi uniforme sur [0, 1]. Si U 1 α(u 1 ), on pose X = X 1. Sinon on rejette X 1 et on recommence en générant une suite (X n, U n ) n 2 de v.a. indépendantes de même loi que (X 1, U 1 ) jusqu à l instant p où U p α(x p ). On pose alors X = X p. REMARQUES on n a pas besoin de connaître F, ni F 1. elle s étend à R d, à des lois discrètes, etc. A. Popier (Le Mans) Méthode de Monte Carlo. 56 / 95

64 MÉTHODE DE REJET : VITESSE. Calcul de la probabilité d acceptation : p = P(U α(x)) = 1 k. Donc T a pour distribution une loi géométrique de paramètre p. En moyenne, on doit rejeter k = 1/p fois avant d accepter la valeur. Ainsi il faut choisir g telle que ( ) f k = max g soit la plus petite possible. A. Popier (Le Mans) Méthode de Monte Carlo. 57 / 95

65 PLAN 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental Simulation de la loi uniforme Fonction de répartition Méthode d inversion Cas particuliers Vérifications Méthode de rejet Lois gaussiennes 3 RÉDUCTION DE VARIANCE Variables antithétiques Variables de contrôle Monte Carlo conditionnel Échantillonnage d importance Échantillonnage stratifié A. Popier (Le Mans) Méthode de Monte Carlo. 58 / 95

66 LOI NORMALE : MÉTHODE POLAIRE. PROPOSITION Si Y N (µ, σ 2 ), alors X = (Y µ)/σ N (0, 1). Pour simuler X (et Y ) simuler deux lois uniformes U et V sur [0, 1] ; poser X = 2 ln U cos(2πv ), Y = 2 ln U sin(2πv ). PROPOSITION X et Y sont deux v.a. normales centrées réduites indépendantes. Ou utiliser sous Matlab randn(n,m). A. Popier (Le Mans) Méthode de Monte Carlo. 59 / 95

67 LOI NORMALE : MÉTHODE POLAIRE. Pour simuler X (et Y ) simuler deux lois uniformes U et V sur [0, 1] ; poser c l f ; X = 2 ln U cos(2πv ), Y = 2 ln U sin(2πv ). hold on t i t l e ( Simulation d une l o i normale ) ylabel ( E f f e c t i f s ) ; xlabel ( Valeurs ) ; [ E,C]= ecdf ( sqrt ( 2 log ( rand ( , 1 ) ) ). cos(2 pi rand ( , 1 ) ) ) ; e c d f h i s t (E,C, 4 0 ) ; hold on plot (C, ( 2 pi )^( 1/2) exp( C. ^ 2 / 2 ), r ) ; legend ( Empirique, Theorique ) hold o f f A. Popier (Le Mans) Méthode de Monte Carlo. 60 / 95

68 LOI NORMALE : MÉTHODE POLAIRE. A. Popier (Le Mans) Méthode de Monte Carlo. 61 / 95

69 LOI NORMALE : MÉTHODE POLAIRE. A. Popier (Le Mans) Méthode de Monte Carlo. 61 / 95

70 LOI NORMALE : MÉTHODE POLAIRE-REJET. PROPOSITION (X, Y ) = (ρ cos(θ), ρ sin(θ)) suit une loi uniforme sur le disque unité du plan, alors 4 ln(ρ) (X, Y ) ρ suit une loi normale centrée réduite bidimensionnelle. (X, Y ) facile à simuler par rejet à partir d une uniforme sur le carré [ 1, 1] 2 (rejet dans 21 % des cas puisque π/4 0, 79). θ et ρ indépendantes, ρ loi de densité u 2u1 [0,1] (u), 4 ln(ρ) exponentielle de paramètre 1/2, θ uniforme sur [0, 2π]. A. Popier (Le Mans) Méthode de Monte Carlo. 62 / 95

71 LOI UNIFORME SUR LE DISQUE. A. Popier (Le Mans) Méthode de Monte Carlo. 63 / 95

72 VECTEUR GAUSSIEN. PROPOSITION Soit m R n, Γ S + n (R) matrice réelle de taille n symétrique positive, Y vecteur aléatoire gaussien standard de moyenne nulle et matrice de covariance Id n. Alors le vecteur aléatoire X = Γ 1/2 Y + m est gaussien de moyenne m et de matrice de covariance Γ. Si Y est un vecteur gaussien de loi N (0, Id n ), ses coordonnées sont i.i.d. de loi N (0, 1). Ainsi on peut simuler une réalisation de Y en simulant n réalisations indépendantes Y 1 (ω),..., Y n (ω) de loi N (0, 1). A. Popier (Le Mans) Méthode de Monte Carlo. 64 / 95

73 PLAN 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental Simulation de la loi uniforme Fonction de répartition Méthode d inversion Cas particuliers Vérifications Méthode de rejet Lois gaussiennes 3 RÉDUCTION DE VARIANCE Variables antithétiques Variables de contrôle Monte Carlo conditionnel Échantillonnage d importance Échantillonnage stratifié A. Popier (Le Mans) Méthode de Monte Carlo. 65 / 95

74 DEUX EXEMPLES. EXEMPLE THÉORIQUE. Calculer θ = E(e 5Z ) = e 52 /2 avec Z N (0, 1) variance théorique : σ 2 = e 50 e valeur exacte : nombre tirages : N = valeur estimée : θ = Intervalle de confiance : I = [ 65186, ]. A. Popier (Le Mans) Méthode de Monte Carlo. 66 / 95

75 DEUX EXEMPLES. EXEMPLE PLUS CONCRET. Call C = E((5e (Z 1/2) 3) + ) avec Z N (0, 1) valeur exacte : 2,71. nombre tirages : N = valeur estimée : 2,83. Intervalle de confiance : I = [2, 42; 3, 24]. Put P = E((3 5e (Z 1/2) ) + ) et C P = 2. valeur exacte : 0,71. valeur estimée : 0,70. Intervalle de confiance : I = [0, 64; 0, 76]. Contrôle : C = 2 + P. A. Popier (Le Mans) Méthode de Monte Carlo. 66 / 95

76 RÉDUCTION DE VARIANCE : MÉTHODES. Variables antithétiques. Variables de contrôle. Échantillonnage préférentiel (ou d importance). Échantillonnage stratifié. Méthodes adaptatives (chaînes de Markov). A. Popier (Le Mans) Méthode de Monte Carlo. 67 / 95

77 PLAN 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental Simulation de la loi uniforme Fonction de répartition Méthode d inversion Cas particuliers Vérifications Méthode de rejet Lois gaussiennes 3 RÉDUCTION DE VARIANCE Variables antithétiques Variables de contrôle Monte Carlo conditionnel Échantillonnage d importance Échantillonnage stratifié A. Popier (Le Mans) Méthode de Monte Carlo. 68 / 95

78 VARIABLES ANTITHÉTIQUES. BUT : calculer θ = E(Y ) = E(f (X)). DEUX V.A. Y 1 et Y 2 de même loi que Y. ( E(Y ) = 1 2 (E(Y 1) + E(Y 2 )) = E Y1 +Y 2 2 ) Var ( Y1 +Y 2 2 ) ; = Var (Y 1)+Var (Y 2 )+2Cov(Y 1,Y 2 ) 4 ; si Y 1 ( et Y 2 décorrélées ) (ou indépendantes), Var Y1 +Y 2 2 = Var (Y ) 2 ; ( ) si Cov(Y 1, Y 2 ) < 0, alors Var Y1 +Y 2 2 < Var (Y ) 2. QUESTION : comment obtenir Y 1 et Y 2 de même loi que Y avec Cov(Y 1, Y 2 ) < 0? A. Popier (Le Mans) Méthode de Monte Carlo. 69 / 95

79 VARIABLES ANTITHÉTIQUES UNIFORMES. HYPOTHÈSE : Y = g(u) où U uniforme sur [0, 1]. ALGORITHME CLASSIQUE avec échantillon de taille 2n. MÉTHODE de i = 1 à 2n générer U i définir Y i = g(u i ) fin définir ˆθ 2n = Y 2n = 1 2n 2n i=1 Y i et ˆσ 2 2n = 1 2n 1 définir CI = [ˆθ 2n c α ˆσ 2n 2n, ˆθ 2n + c α ˆσ 2n 2n ] 2n i=1 (Y i ˆθ 2n ) 2 A. Popier (Le Mans) Méthode de Monte Carlo. 70 / 95

80 VARIABLES ANTITHÉTIQUES UNIFORMES. HYPOTHÈSE : Y = g(u) avec U uniforme sur [0, 1]. ALGORITHME avec échantillon de taille 2n. MÉTHODE de i = 1 à 2n générer U i définir Y i = g(1 U i ) fin définir ˆθ 2n = Y 2n = 1 2n 2n i=1 Y i et ˆσ 2 2n = 1 2n 1 définir CI = [ˆθ 2n c α ˆσ 2n 2n, ˆθ 2n + c α ˆσ 2n 2n ] 2n i=1 (Y i ˆθ 2n ) 2 A. Popier (Le Mans) Méthode de Monte Carlo. 70 / 95

81 VARIABLES ANTITHÉTIQUES UNIFORMES. HYPOTHÈSE : Y = g(u) avec U uniforme sur [0, 1]. ALGORITHME MÉLANGÉ avec échantillon de taille n. MÉTHODE de i = 1 à n générer U i définir Y i = g(u i ), Ỹi = g(1 U i ) et Z i = Y i + Ỹi 2 fin définir ˆθ n,a = Z n = 1 n Z i et ˆσ n 2 = 1 n (Z i ˆθ n ) 2 n n 1 i=1 définir CI = [ˆθ n,a c α ˆσ n n, ˆθ n,a + c α ˆσ n n ] i=1 A. Popier (Le Mans) Méthode de Monte Carlo. 70 / 95

82 VARIABLES ANTITHÉTIQUES UNIFORMES. HYPOTHÈSE : Y = g(u) avec U uniforme sur [0, 1]. DIFFÉRENTS RÉSULTATS : ˆθ 2n = Y 2n = 1 2n 2n i=1 Y i ; ˆθ n,a = Z n = 1 n n i=1 Z i. COMPARAISON DES VARIANCES Var (ˆθ 2n ) = Var ( 2n ) i=1 Y i Var (Y ) = 2n 2n Ainsi Var (ˆθ n,a ) = Var (ˆθ 2n ) + Cov(Y, Ỹ ). 2n Var (ˆθ n,a ) < Var (ˆθ 2n ) Cov(g(U), g(1 U)) < 0. A. Popier (Le Mans) Méthode de Monte Carlo. 70 / 95

Simulation de variables aléatoires

Simulation 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 détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires CHAPITRE I. SIMULATION DE VARIABLES ALÉATOIRES 25 Chapitre I Simulation de variables aléatoires La simulation informatique de variables aléatoires, aussi complexes soient elles, repose sur la simulation

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

A. Popier (Le Mans) Copules. Septembre 2010 1 / 72

A. Popier (Le Mans) Copules. Septembre 2010 1 / 72 COPULES. Alexandre Popier Université du Maine, Le Mans Septembre 2010 A. Popier (Le Mans) Copules. Septembre 2010 1 / 72 PLAN DU COURS 1 RAPPELS SUR LES VECTEURS ALÉATOIRES 2 RAPPELS SUR LA MÉTHODE DE

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Chapitre 4 NOTIONS DE PROBABILITÉS

Chapitre 4 NOTIONS DE PROBABILITÉS Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 4 NOTIONS DE PROBABILITÉS Les chapitres précédents donnent des méthodes graphiques et numériques pour caractériser

Plus en détail

1 Générateurs pseudo-aléatoires.

1 Générateurs pseudo-aléatoires. Université de Provence. Préparation Agrégation. Épreuve de modélisation, option Probabilité-Statistique... Quelques références. Simulation de variables aléatoires. Fabienne CASTELL N. BOULEAU. Probabilités

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Introduction à la simulation en probabilité

Introduction à la simulation en probabilité Introduction à la simulation en probabilité Module MATH54 Année universitaire 29 21 L énoncé du TP au format pdf se trouve sur le portail dans votre groupe. 1. Mise en route Principe de simulation. Connectez-vous

Plus en détail

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale.

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Aix Marseille Université. Algorithmes Stochastiques. M MIS. Fabienne Castell... Chapitre : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Le but de ce chapitre

Plus en détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

NOMBRES ALEATOIRES et PSEUDO-ALEATOIRES G.Saporta, P.Périé et S.Rousseau, octobre 2011

NOMBRES ALEATOIRES et PSEUDO-ALEATOIRES G.Saporta, P.Périé et S.Rousseau, octobre 2011 NOMBRES ALEATOIRES et PSEUDO-ALEATOIRES G.Saporta, P.Périé et S.Rousseau, octobre 2011 Utiles pour réaliser r des tirages et simuler des phénom nomènes nes aléatoires atoires Nombres aléatoires: atoires:

Plus en détail

Moments des variables aléatoires réelles

Moments 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 détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 L2 MIASHS Cours de B. Desgraupes Simulation Stochastique Séance 04: Nombres pseudo-aléatoires Table des matières 1

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes 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 détail

Probabilités III Introduction à l évaluation d options

Probabilités 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 détail

Probabilités et Statistique. Benjamin JOURDAIN

Probabilités et Statistique. Benjamin JOURDAIN Probabilités et Statistique Benjamin JOURDAIN 18 septembre 2006 2 i Remerciements Je tiens à remercier les membres de l équipe enseignante du cours de probabilités de première année, Aurélien Alfonsi,

Plus en détail

Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres

Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres 1 Introduction Le nombre de piles obtenus au cours d une série de n lancers de pile ou face ou plus généralement dans

Plus en détail

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Fiche TD avec le logiciel : a2-1-c Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Sylvain Mousset Rappels de probabilités / statistiques Table des matières 1 Probabilités

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice 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 détail

Machines à sous (compléments)

Machines à sous (compléments) CHAPITRE 28 Machines à sous (compléments) Résumé. Ce qui suit complète le chapitre 22. On explique ici brièvement comment rre non-asymptotiques les résultats de convergence qui reposaient sur la loi des

Plus en détail

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Université d Avignon Fichier dispo sur http://fredericnaud.perso.sfr.fr/ Une étude statistique dans la population montre que le Q.I. est

Plus en détail

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

Plus en détail

Événements et probabilités, probabilité conditionnelle et indépendance

Événements et probabilités, probabilité conditionnelle et indépendance Chapitre 1 Événements et probabilités, probabilité conditionnelle et indépendance On cherche ici à proposer un cadre mathématique dans lequel on puisse parler sans ambiguité de la probabilité qu un événement

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES ET STATISTIQUE I&II PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits

Plus en détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 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 détail

3.8 Introduction aux files d attente

3.8 Introduction aux files d attente 3.8 Introduction aux files d attente 70 3.8 Introduction aux files d attente On va étudier un modèle très général de problème de gestion : stocks, temps de service, travail partagé...pour cela on considère

Plus en détail

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique Télécom ParisTech, 09 mai 2012 http://www.mathematiquesappliquees.polytechnique.edu/ accueil/programmes/cycle-polytechnicien/annee-1/

Plus en détail

Examen de rattrapage

Examen de rattrapage Université Denis Diderot Paris 7 7 juin 4 Probabilités et Simulations UPS36 Examen de rattrapage durée : 3 heures Les documents et calculatrices ne sont pas autorisés. On prendra soin de bien justifier

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 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 détail

TD 1 & 2 Rappels de probabilités

TD 1 & 2 Rappels de probabilités Master IF, ENS de Lyon Évaluation de performance 5 & 22 septembre 20 TD & 2 appels de probabilités lionel.rieg@ens-lyon.fr Probabilités discrètes. Calcul de probabilités Exercice Soient A et B des événements

Plus en détail

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples 36 Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples (Ω, B, P est un espace probabilisé. 36.1 Définition et propriétés des probabilités conditionnelles Définition 36.1

Plus en détail

Exercices corrigés de probabilités et statistique

Exercices corrigés de probabilités et statistique Exercices corrigés de probabilités et statistique Université Paris 1 Panthéon-Sorbonne Cours de deuxième année de licence de sciences économiques Fabrice Rossi Cette œuvre est mise à disposition selon

Plus en détail

Analyse de données et méthodes numériques

Analyse de données et méthodes numériques Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés? Analyse de données et

Plus en détail

Modélisation et simulation

Modélisation 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 détail

Espérance conditionnelle

Espérance conditionnelle Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle

Plus en détail

Cours de Probabilités. Jean-Yves DAUXOIS

Cours de Probabilités. Jean-Yves DAUXOIS Cours de Probabilités Jean-Yves DAUXOIS Septembre 2013 Table des matières 1 Introduction au calcul des probabilités 7 1.1 Espace probabilisable et loi de variable aléatoire........ 8 1.1.1 Un exemple

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

COUPLES DE VARIABLES ALÉATOIRES CHAPITRE 13 COUPLES DE VARIABLES ALÉATOIRES Dans tout le chapitre, (Ω, P) désignera un espace probabilisé fini. 1 Couple de variables aléatoires Définition 13.1 On appelle couple de variables aléatoires

Plus en détail

Exercices corrigés, tome 04 : les énoncés

Exercices corrigés, tome 04 : les énoncés Exercices corrigés, tome 4 : les énoncés Table des matières : 1. Applications linéaires, p.2. 2. Variables aléatoires, p.6. 3. Intégrales, p.12. 4. Polynômes, p.16. 1 1 Applications linéaires Exercice

Plus en détail

Master de Mathématiques Mathématiques de la modélisation et de la décision Simulation Stochastique

Master de Mathématiques Mathématiques de la modélisation et de la décision Simulation Stochastique Master de Mathématiques Mathématiques de la modélisation et de la décision Simulation Stochastique 2 2 i Introduction Ce cours présente des méthodes numériques qui utilisent des nombres aléatoires pour

Plus en détail

Séminaire de Statistique

Séminaire de Statistique Master 1 - Economie & Management Séminaire de Statistique Support (2) Variables aléatoires & Lois de probabilité R. Abdesselam - 2013/2014 Faculté de Sciences Economiques et de Gestion Université Lumière

Plus en détail

Nouveaux programmes de terminale Probabilités et statistiques

Nouveaux programmes de terminale Probabilités et statistiques Nouveaux programmes de terminale Probabilités et statistiques I. Un guide pour l'année II. La loi uniforme : une introduction III. La loi exponentielle IV. De la loi binomiale à la loi normale V. Échantillonnage

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

1 Générateurs à Congruences Linéaires (GCL)

1 Générateurs à Congruences Linéaires (GCL) TP 4 : Générateurs pseudo-aléatoires et applications Un générateur de nombres pseudo-aléatoires, pseudorandom number generator (PRNG) en anglais, est un algorithme qui génère une séquence de nombres présentant

Plus en détail

Devoir Surveillé n 5 BTS 2009 groupement B

Devoir Surveillé n 5 BTS 2009 groupement B EXERCICE 1 (12 points) Devoir Surveillé n 5 BTS 2009 groupement B Les trois parties de cet exercice peuvent être traitées de façon indépendante. A. Résolution d une équation différentielle On considère

Plus en détail

Méthode de Monte-Carlo. Céline Baranger - Julien Mathiaud

Méthode de Monte-Carlo. Céline Baranger - Julien Mathiaud Méthode de Monte-Carlo Céline Baranger - Julien Mathiaud 2012/2013 2 Table des matières 1 Introduction 5 2 Rappel sur les notions utiles de probabilités 7 2.1 Variables aléatoires et probabilité......................

Plus en détail

S. Zozor Information, inégalités et relations d incertitude

S. Zozor Information, inégalités et relations d incertitude Information, inégalités et relations d incertitude Steeve Zozor GIPSA-Lab CNRS Grenoble INP, Grenoble, France 17-21 Mai 2010 Plan du cours 1 Entropie mesure d incertitude Axiomes, entropie de Shannon et

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

TP1 Master Finance logiciels Introduction à R

TP1 Master Finance logiciels Introduction à R TP1 Master Finance logiciels Introduction à R Emeline Schmisser, emeline.schmisser@math.univ-lille1.fr, bureau 314 (bâtiment M3). 1 Séquences, Vecteurs, Matrice Tableaux (arrays) Pour obtenir l aide de

Plus en détail

Probabilités II Étude de quelques lois. Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec.

Probabilités II Étude de quelques lois. Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec. Probabilités II Étude de quelques lois Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec.fr 2012 2013 1 1 Lois discrètes. On considère des v.a. ne prenant que des valeurs

Plus en détail

Mathématiques : statistiques et simulation

Mathématiques : statistiques et simulation Université de Picardie - LAMFA CNRS UMR 6140 PAF Amiens - Formation Enseignement des Mathématiques - 20 janvier 2012 (Extrait du document ressource pour la classe de seconde) Dans le sens commun des sondages,

Plus en détail

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry Outils mathématiques pour le datamining http://wwwelsewarefr/univevry Géométrie Distance Distance entre parties Matrice de variance/covariance Inertie Minimisation Probabilités Définition Théorème de Bayes

Plus en détail

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève 30-1- 2013 J.F.C. p. 1 F 1 F 2 F 3 Assez simple ou proche du cours. Demande du travail. Délicat. EXERCICES SANS PRÉPARATION HEC 2005 Question 11 D après HEC 2005-11 F 2 X est une variable aléatoire de

Plus en détail

Simulations des Grecques : Malliavin vs Différences finies

Simulations des Grecques : Malliavin vs Différences finies 0.1. LES GRECQUES 1 Simulations des Grecques : iavin vs Différences finies Christophe Chorro Ce petit document vise à illustrer de manière numérique les techniques présentées lors du mini cours sur le

Plus en détail

Travaux dirigés d introduction aux Probabilités

Travaux 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 détail

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011 19 mai 2011 Outline 1 Introduction Définition Générale Génération de nombre aléatoires Domaines d application 2 Cadre d application Méthodologie générale Remarques Utilisation pratique Introduction Outline

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Mth2302B - Intra Été 2011

Mth2302B - Intra Été 2011 École Polytechnique de Montréal page 1 Contrôle périodique Été 2011--------------------------------Corrigé--------------------------------------T.Hammouche Question 1 (12 points) Mth2302B - Intra Été 2011

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2 UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 Master d économie Cours de M. Desgraupes MATHS/STATS Document 4 : Les tests statistiques 1 Généralités sur les tests

Plus en détail

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 huitième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 Soit X une variable aléatoire continue de fonction de densité

Plus en détail

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader Terminale STMG O. Lader Table des matières 1 Information chiffrée (4s) 4 1.1 Taux d évolution....................................... 6 1.2 indices............................................. 6 1.3 Racine

Plus en détail

Feuille de TP n 1 Initiation à Matlab

Feuille de TP n 1 Initiation à Matlab Université de l Anonyme XXII Préparation à l épreuve de modélisation - Agrégation Externe de Mathématiques 2004. Page n 1. Feuille de TP n 1 Initiation à Matlab Ce TP porte sur les entrées et sorties,

Plus en détail

: 3 si x 2 [0; ] 0 sinon

: 3 si x 2 [0; ] 0 sinon Oral HEC 2007 Question de cours : Dé nition d un estimateur ; dé nitions du biais et du risque quadratique d un estimateur. On considère n (n > 2) variables aléatoires réelles indépendantes X 1,..., X

Plus en détail

4 Distributions particulières de probabilités

4 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 détail

Master 1 Informatique Éléments de statistique inférentielle

Master 1 Informatique Éléments de statistique inférentielle Master 1 Informatique Éléments de statistique inférentielle Faicel Chamroukhi Maître de Conférences UTLN, LSIS UMR CNRS 7296 email: chamroukhi@univ-tln.fr web: chamroukhi.univ-tln.fr 2014/2015 Faicel Chamroukhi

Plus en détail

Simulations de Monte Carlo

Simulations de Monte Carlo Simulations de Monte Carlo 2 février 261 CNAM GFN 26 Gestion d actifs et des risques Gréory Taillard GFN 26 Gestion d actifs et des risques 2 Biblioraphie Hayat, Sere, Patrice Poncet et Roland Portait,

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Provisionnement face au risque de défaut des emprunteurs

Provisionnement face au risque de défaut des emprunteurs Provisionnement face au risque de défaut des emprunteurs Geoffrey Nichil et Pierre Vallois Institut Elie Cartan de Lorraine. 6-11 Avril 2014 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face

Plus en détail

Contrôle de statistiques Sujet 2 Corrigé

Contrôle de statistiques Sujet 2 Corrigé Contrôle de statistiques Sujet 2 Corrigé L2 d économie - Université Paris 1 Panthéon-Sorbonne Nom : Prénom : Les exercices sont indépendants. Le barème est indicatif. L utilisation de documents, calculatrices,

Plus en détail

Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE

Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE Statistiques et probabilités : Loi Normale Les I.P.R. et Formateurs de l Académie de LILLE Bulletin officiel spécial 8 du 13 octobre 2011 Cadre général : loi à densité Définition Une fonction f définie

Plus en détail

Chapitre 6 : Génération aléatoire

Chapitre 6 : Génération aléatoire Chapitre 6 : Génération aléatoire Alexandre Blondin Massé Laboratoire d informatique formelle Université du Québec à Chicoutimi 12 février 2013 Cours 8STT105 Département d informatique et mathématique

Plus en détail

Un corrigé de l épreuve de mathématiques du baccalauréat blanc

Un corrigé de l épreuve de mathématiques du baccalauréat blanc Terminale ES Un corrigé de l épreuve de mathématiques du baccalauréat blanc EXERCICE ( points). Commun à tous les candidats On considère une fonction f : définie, continue et doublement dérivable sur l

Plus en détail

Variables aléatoires continues

Variables aléatoires continues IUT Aix-en-Provence Année 204-205 DUT Informatique TD Probabilités feuille n 6 Variables aléatoires continues Exercice (La station-service) Dans une station-service, la demande hebdomadaire en essence,

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Examen d accès - 1 Octobre 2009

Examen d accès - 1 Octobre 2009 Examen d accès - 1 Octobre 2009 Aucun document autorisé - Calculatrice fournie par le centre d examen Ce examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses sont

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Séminaire MTDE 22 mai 23 INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Vincent Mazet CRAN CNRS UMR 739, Université Henri Poincaré, 5456 Vandœuvre-lès-Nancy Cedex 1 juillet 23 Sommaire

Plus en détail

Tests 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 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 détail

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé Baccalauréat ES Centres étrangers 1 juin 14 - Corrigé A. P. M. E. P. Exercice 1 5 points Commun à tous les candidats 1. On prend un candidat au hasard et on note : l évènement «le candidat a un dossier

Plus en détail

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12 TS. 01/013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 0/11/1 Exercice 1 : ( 6,5 pts) Première partie : Démonstration à rédiger { Démontrer que si ( ) et (v n ) sont deux suites telles

Plus en détail

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006 ESSEC M B A CONCOURS D ADMISSION Option économique MATHEMATIQUES III Année 2006 La présentation, la lisibilité, l orthographe, la qualité de la rédaction, la clarté et la précision des raisonnements entreront

Plus en détail

Méthodes numériques pour les options Américaines

Méthodes numériques pour les options Américaines Méthodes numériques pour les options Américaines Jérôme Lelong Année 2009-2010 J. LELONG (MÉTHODES NUMÉRIQUES AVANCÉES) ANNÉE 2009-2010 1 / 43 1 Introduction Le modèle de marché Options Bermuda Définition

Plus en détail

l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab

l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab scilab à l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab Tests de comparaison pour l augmentation du volume de précipitation 13 février 2007 (dernière date de mise à jour) Table

Plus en détail

Probabilités et Statistiques. Raphaël KRIKORIAN Université Paris 6

Probabilités et Statistiques. Raphaël KRIKORIAN Université Paris 6 Probabilités et Statistiques Raphaël KRIKORIAN Université Paris 6 Année 2005-2006 2 Table des matières 1 Rappels de théorie des ensembles 5 1.1 Opérations sur les ensembles................... 5 1.2 Applications

Plus en détail

Cours de Mathématiques E.S.P.C.I Deuxième année. Elie Raphaël Polycopié des élèves rédigé à partir du cours

Cours de Mathématiques E.S.P.C.I Deuxième année. Elie Raphaël Polycopié des élèves rédigé à partir du cours Cours de Mathématiques E.S.P.C.I Deuxième année Elie Raphaël Polycopié des élèves rédigé à partir du cours 2 Ce polycopié a été rédigé sous L A TEX2e par Julien Berthaud, Cyrille Boullier, Régis Schach

Plus en détail

Lois de probabilité 3/3. Anita Burgun

Lois de probabilité 3/3. Anita Burgun Lois de probabilité 3/3 Anita Burgun Contenu des cours Loi binomiale Loi hypergéométrique Loi de Poisson Loi normale Loi du Chi2 Loi de Student Loi normale VA continue X Densité de probabilité de X" Loi

Plus en détail

Cours de probabilités, ECS deuxième année. Alain TROESCH

Cours de probabilités, ECS deuxième année. Alain TROESCH Cours de probabilités, ECS deuxième année Alain TROESCH 10 janvier 2012 Table des matières 1 Rappels de probabilités générales et discrètes 5 1.1 Principes généraux du calcul des probabilités.....................

Plus en détail

Loi binomiale Lois normales

Loi 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 détail