PROMENADE ALÉATOIRE : Chaînes de Markov et martingales

Dimension: px
Commencer à balayer dès la page:

Download "PROMENADE ALÉATOIRE : Chaînes de Markov et martingales"

Transcription

1 PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées Novembre 2013

2 2

3 Table des matières I Chaîes de Markov 9 1 De la marche aléatoire aux jeux de cartes 11 2 Matrice de trasitio Propriété de Markov Exemples de chaîes de Markov Équatio de Chapma-Kolmogorov Chapma-Kolmogorov Processus décalé e temps Temps d arrêt et propriété de Markov forte Applicatios Équatio de la chaleur Ruie du joueur Méthode de Mote-Carlo pour u problème de Dirichlet Mesures Ivariates Mesures ivariates Irréductibilité et uicité des mesures ivariates Irréductibilité Uicité des mesures ivariates Costructio de la mesure ivariate Réversibilité et Théorème H Réversibilité Théorème H pour les chaîes de Markov Applicatio : modèle d Ehrefest Espaces d états déombrables Chaîes de Markov récurretes et trasitoires Applicatio : marches aléatoires Marches aléatoires symétriques sur Z d U critère aalytique Mesures ivariates Applicatio : brachemet et graphes aléatoires Arbres aléatoires de Galto-Watso Graphes aléatoires d Erdös-Réyi

4 4 TABLE DES MATIÈRES 5 Ergodicité et covergece Ergodicité Théorème ergodique Applicatio : algorithme PageRak de Google Covergece Apériodicité et covergece Distace e variatio et couplage Vitesses de covergece Applicatio aux algorithmes stochastiques Optimisatio Algorithmes stochastiques Algorithme de Metropolis-Hastigs Modèle d Isig Simulatio parfaite : algorithme de Propp-Wilso Algorithme de recuit simulé Problème du voyageur de commerce Traitemet d images Applicatio : la percolatio Descriptio du modèle Trasitio de phase Absece de percolatio pour p petit Percolatio pour p proche de Poit critique Dimesio II Martigales Espérace coditioelle Espérace coditioelle sur u espace d états discret Défiitio de l espérace coditioelle Propriétés de l espérace coditioelle Processus aléatoire Martigales e temps discret Martigales Théorème d arrêt Iégalités de martigales Décompositio des surmartigales Covergece des martigales Covergece des martigales das L Applicatio : loi des grads ombres Covergece des sous-martigales Applicatio : modèle de Wright-Fisher

5 TABLE DES MATIÈRES Martigales fermées Théorème cetral limite Théorème cetral limite pour les martigales Iégalité de Hoeffdig Théorème cetral limite pour les chaîes de Markov Applicatios des martigales Mécaismes de reforcemet Ure de Polya Graphes aléatoires de Barabási-Albert L algorithme de Robbis-Moro Processus de Galto-Watso Arrêt optimal et cotrôle stochastique Arrêt optimal Eveloppe de Sell Le problème du parkig Problème des secrétaires Cotrôle stochastique Équatio de la programmatio dyamique Cotrôle des chaîes de Markov A Théorie de la mesure 169 A.1 Espaces mesurables et mesures A.1.1 Algèbres, σ algèbres A.1.2 Mesures A.1.3 Propriétés élémetaires des mesures A.2 L itégrale de Lebesgue A.2.1 Foctio mesurable A.2.2 Itégratio des foctios positives A.2.3 Itégratio des foctios réelles A.2.4 De la covergece p.p. à la covergece L A.2.5 Itégrale de Lebesgue et itégrale de Riema A.3 Trasformées de mesures A.3.1 Mesure image A.3.2 Mesures défiies par des desités A.4 Iégalités remarquables A.5 Espaces produits A.5.1 Costructio et itégratio A.5.2 Mesure image et chagemet de variable A.6 Complémets au chapitre A A.6.1 π système, d système et uicité des mesures A.6.2 Mesure extérieure et extesio des mesures A.6.3 Démostratio du théorème des classes mootoes

6 6 TABLE DES MATIÈRES B Théorie des probabilités 189 B.1 Variables aléatoires B.1.1 σ algèbre egedrée par ue v.a B.1.2 Distributio d ue variable aléatoire B.2 Espérace de variables aléatoires B.2.1 Variables aléatoires à desité B.2.2 Iégalité de Jese B.2.3 Foctio caractéristique B.3 Espaces L p et covergeces foctioelles des variables aléatoires B.3.1 Géométrie de l espace L B.3.2 Espaces L p et L p B.3.3 Espaces L 0 et L B.3.4 Lie etre les covergeces L p, e proba et p.s B.4 Covergece e loi B.4.1 Défiitios B.4.2 Caractérisatio de la covergece e loi par les foctios de répartitio B.4.3 Covergece des foctios de répartitio B.4.4 Covergece e loi et foctios caractéristiques B.5 Idépedace B.5.1 σ algèbres idépedates B.5.2 Variables aléatoires idépedates B.5.3 Asymptotique des suites d évéemets idépedats B.5.4 Moyees de variables idépedates B.6 Espérace coditioelle B.6.1 Defiitio B.6.2 Propriétés de l espérace coditioelle

7 L aléa joue u rôle détermiat das des cotextes variés et il est souvet écessaire de le predre e compte das de multiples aspects des scieces de l igéieur, citos otammet les télécommuicatios, la recoaissace de formes ou l admiistratio des réseaux. Plus gééralemet, l aléa iterviet aussi e écoomie gestio du risque), e médecie propagatio d ue épidémie), e biologie évolutio d ue populatio) ou e physique statistique théorie des trasitios de phases). Das les applicatios, les doées observées au cours du temps sot souvet modélisées par des variables aléatoires corrélées dot o aimerait prédire le comportemet. L objet de ce cours est de formaliser ces otios e étudiat deux types de processus aléatoires fodametaux e théorie des probabilités : les chaîes de Markov et les martigales. Ces otes sot ispirées du cours de Nizar Touzi [20] qui a assuré cet eseigemet etre 2008 et E 1913, A. Markov posait les fodemets d ue théorie qui a permis d étedre les lois des probabilités des variables aléatoires idépedates à u cadre plus gééral susceptible de predre e compte des corrélatios. La première partie de ce cours décrit la théorie des chaîes de Markov et certaies de leurs applicatios. Le parti pris de ce cours est de cosidérer le cadre mathématique le plus simple possible e se focalisat sur des espaces d états fiis, voire déombrables, pour éviter le recours à la théorie de la mesure. Le comportemet asymptotique des chaîes de Markov peut être classifié et prédit. Nous verros que la structure de ces processus aléatoires corrélés est ecodée das ue mesure ivariate qui permet de redre compte des propriétés ergodiques, gééralisat aisi les suites de variables aléatoires idépedates. La covergece des chaîes de Markov vers leurs mesures ivariates costitue u aspect fodametal de la théorie des probabilités, mais elle joue aussi u rôle clef das les applicatios. Plusieurs exemples serot décrits pour illustrer le rôle majeur des chaîes de Markov das différets domaies de l igéierie comme les problèmes umériques méthodes de Dirichlet, optimisatio), la recoaissace de formes ou l algorithme PageRak de Google. Des exemples issus de la physique statistique irréversibilité e théorie ciétique des gaz, trasitios de phases) ou de la dyamique des populatios arbres de Galto Watso) permettrot aussi éclairer certais aspects des chaîes de Markov. D autres applicatios des chaîes de Markov sot présetées das le livre de M. Beaim et N. El Karoui [4] et das celui de J.F. Delmas et B. Jourdai [8]. L ouvrage de J. Norris [18] costitue aussi ue excellete référece sur la théorie des chaîes de Markov. La secode partie de ce cours porte sur la théorie des martigales qui permet d étudier d autres structures de dépedace que celles défiies par les chaîes de Markov. Les martigales sot commuémet associées aux jeux de hasard et ous verros commet des stratégies optimales peuvet être défiies à l aide de martigales et de temps d arrêt. Les martigales formet ue classe de processus aléatoires aux propriétés très 7

8 8 TABLE DES MATIÈRES itéressates. E particulier, les fluctuatios de ces processus peuvet être cotrôlées et leur covergece facilemet aalysée. Les martigales permettet aussi d étudier des mécaismes de reforcemet pour mieux compredre des comportemets collectifs, des algorithmes stochastiques ou des phéomèes issus de l écologie comme la dérive géétique. D autres aspects de la théorie des martigales figuret das les livres de J. Neveu [17] et D. Williams [22]. L ouvrage de M. Duflo [9] propose de ombreux développemets sur les applicatios des martigales aux algorithmes stochastiques. Des complémets sur la théorie de la mesure et des probabilités écrits par Nizar Touzi [20] figuret e aexe. Ces deux chapitres développet das u cadre théorique les cocepts abordés das le cours de première aée [16]. Ils permettrot d approfodir certaies otios fodametales de la théorie des probabilités et pourrot servir de référece. Sur la page web du cours de MAP 432 figuret des programmes e scilab réalisés par Floret Beaych-Georges pour illustrer certaies applicatios. Je souhaite exprimer toute ma recoaissace à Nizar Touzi pour m avoir permis de repredre des élémets de so cours [20] et e particulier l aexe. Je ties aussi à remercier chaleureusemet Stéphaie Allassoière, Djalil Chafai, Jea-Fraçois Delmas, Lauret Deis, Lucas Géri, Araud Guilli, Carl Graham et Marc Hoffma qui m ot aidé das la rédactio de ce cours par leurs précieux coseils et leur relecture attetive.

9 Première partie Chaîes de Markov 9

10

11 Chapitre 1 De la marche aléatoire aux jeux de cartes La loi des grads ombres et le théorème cetral limite sot deux théorèmes clef de la théorie des probabilités. Ils motret que la limite d ue somme de variables aléatoires idépedates obéit à des lois simples qui permettet de prédire le comportemet asymptotique. Preos l exemple classique d ue marche aléatoire symétrique cf. figure 1.1) X 0 = 0 et pour 1, X = ζ i 1.1) i=1 où les {ζ i } i 1 sot des variables idépedates et idetiquemet distribuées i 1, Pζ i = 1) = Pζ i = 1) = 1/2. La loi des grads ombres implique la covergece presque sûre 1 lim X = Eζ 1 ) = 0 p.s. 1.2) et le théorème cetral limite assure la covergece e loi vers ue gaussiee de moyee ulle et de variace 1 que l o otera γ 1 loi) X γ. 1.3) Pour de ombreuses applicatios, il est écessaire d ajouter des corrélatios etre ces variables et d erichir ce formalisme au cas de processus aléatoires qui e sot pas ue simple somme de variables idépedates. Par exemple, o voudrait décrire u mobile soumis à ue force aléatoire et à ue force de rappel qui le maitiet près de l origie comme u atome qui vibre autour de sa positio d équilibre das u cristal ou le prix d ue matière première soumise à la loi de l offre et de la demade) et représeter sa positio au cours du temps par Y. Ue faço simple de predre e compte ue force de rappel est de costruire récursivemet ue suite aléatoire Y 0 = 0 et 1, Y = Y 1 + sigey 1 )ξ, 1.4) 11

12 12 CHAPITRE 1. DE LA MARCHE ALÉATOIRE AUX JEUX DE CARTES FIGURE 1.1 À gauche, ue réalisatio de la marche aléatoire symétrique X représetée après pas. À droite, ue réalisatio de la trajectoire Y représetée après pas pour p = où les {ξ i } i 1 sot maiteat des variables idépedates de Beroulli de paramètre p [0, 1/2] i 1, Pζ i = 1) = Pζ i = 1) = p. Das 1.4), le sige de y est oté sigey) {±1} et pour éviter toute ambiguïté, le sige de 0 sera pris égal à 1. Si p = 1/2, Y est égal e loi à X. Par cotre si p < 1/2, le biais aléatoire déped du sige de Y et il a tedace à rameer Y vers 0 car Eξ 1 ) < 0. O voit sur la figure 1.1 que l amplitude et la structure des processus {X } et {Y } est très différete. Même pour u biais petit p = 0.45, la trajectoire Y reste localisée autour de 0. U des ejeux de ce cours sera de décrire le comportemet asymptotique de Y. Pour le momet, essayos de devier ce comportemet limite. La figure 1.2 motre ue trajectoire de Y dix fois plus logue que celle de la figure 1.1 et o costate que l amplitude de cette trajectoire reste sesiblemet ichagée. Ceci cotraste avec l amplitude de la marche aléatoire qui croît comme par le théorème cetral limite. L histogramme de la figure 1.2 représete la fréquece des passages de la trajectoire e u site, i.e. la mesure π défiie par y Z, π y) = 1 1 {Yk =y}. k=1 O motrera que π coverge vers ue mesure limite π qui ecode le comportemet asymptotique de Y y Z, 1 lim 1 {Yk =y} = πy) p.s. k=1 Cette covergece peut s iterpréter comme u aalogue de la loi des grads ombres. Ceci pose plusieurs questios auxquelles ous essayeros de répodre das ce cours Peut o décrire la mesure π? Quel est le temps écessaire pour que π soit proche de π? Le processus {Y } 0 e 1.4) a été obteu par ue récurrece aléatoire Y +1 = f Y, ξ +1 ) pour ue foctio f bie choisie. Sous cette forme, la structure additive de la marche aléatoire X a disparu et o peut aisi evisager de costruire des processus à valeurs das u espace gééral. Par exemple, o peut défiir ue marche aléatoire sur le graphe G de

13 FIGURE 1.2 À gauche, ue réalisatio de la trajectoire Y est représetée après pas. À droite, l histogramme correspodat au ombre de passages par chaque site pour la trajectoire. la figure 1.3 : le marcheur part d u site doé et évolue à chaque pas de temps e sautat uiformémet sur u des voisis du site occupé. FIGURE 1.3 U graphe aléatoire de Barabási-Albert) avec 50 sites. Pour costruire la récurrece aléatoire correspodate, o ote Vx) l esemble des voisis d u site x de G, i.e. les sites reliés à x par ue arête. O décrit maiteat ue procédure pour choisir uiformémet u des voisis à l aide d ue variable aléatoire uiforme sur [0, 1]. O ote degx) le degré de x, i.e. le cardial de l esemble Vx) qui peut varier e foctio du site x). O umérote ue fois pour toute) par u idice etre 0 et degx) 1 chaque arête etre x et ses voisis. Pour tout x G et u [0, 1], o défiit f x, u) comme le voisi de x dot l arête a le uméro degx)u, où représete la partie etière cette procédure est idetique à celle décrite das la remarque 1.1). O a aisi ue costructio explicite d ue marche aléatoire {Y } 0 sur le graphe G e géérat l aléa à partir d ue suite {ξ } 1 de variables aléatoires idépedates et uiformémet distribuées sur [0, 1] Y 0 = 0 et 1, Y +1 = f Y, ξ +1 ). La marche état costruite, o voudrait compredre so comportemet asymptotique : après u temps très log, quelle est la probabilité que la marche soit sur u site doé? O verra etre autres que cette probabilité est proportioelle au degré de chaque site.

14 14 CHAPITRE 1. DE LA MARCHE ALÉATOIRE AUX JEUX DE CARTES Remarque 1.1. Pour simuler ue variable aléatoire Z preat uiformémet les valeurs {1, 2,..., k}, o subdivise [0, 1] e itervalles de logueur 1/k umérotés de 1 à k. O choisit esuite au hasard ue variable U uiformémet sur [0, 1] et o attribue à Z le uméro de l itervalle coteat U. Si la variable Z est pas uiformémet distribuée PZ = i) = p i, il suffit de subdiviser [0, 1] e k itervalles de logueurs {p i } i k pour retrouver le biais das les probabilités par la même procédure. 1/4 1/4 1/4 1/4 p 1 p 2 p 3 p 4 FIGURE 1.4 Deux subdivisios de l itervalle [0, 1]. Le modèle peut ecore être erichi e orietat les arêtes du graphe cf. figure 1.5) et e autorisat seulemet les trasitios selo les arêtes orietées. La probabilité de chaque saut peut aussi être podérée selo les voisis, par exemple sur le graphe de la figure 1.5 : la marche peut passer du site 1 au site 2 avec la probabilité P1, 2) = 1/2, au site 3 avec la probabilité P1, 3) = 1/4 et rester sur place avec la probabilité P1, 1) = 1/4. La seule cotraite état d ajuster la somme des probabilités à 1. 1/2 1/4 1 1/4 2 3/4 1/4 1 3 FIGURE 1.5 U graphe orieté avec 3 sites. L essetiel des exemples cocrets que ous allos recotrer das ce cours peuvet se formaliser comme ue marche aléatoire sur u graphe orieté avec des probabilités de trasitio associées à chaque lie. Parmi les exemples de marche aléatoire sur u graphe traités das ce cours, ous évoqueros les robots d idexatio qui parcouret le World Wide Web pour collecter les doées et idexer des pages Web. Certais graphes peuvet être compliqués et il est importat de développer ue théorie géérale pour appréheder cette complexité. Termios ce tour d horizo sur les chaîes de Markov par le mélage de cartes. O représete u jeu de 52 cartes e umérotat leurs positios das le paquet de 1 à K = 52. Mélager les cartes reviet à appliquer des permutatios successives sur leurs positios. Mathématiquemet, cette procédure est rie d autre qu ue marche aléatoire sur le groupe symétrique S K des permutatios sur {1, 2,..., K}. Iitialemet les cartes sot ragées das l ordre et l état de départ est la permutatio idetité Id = {1, 2,..., K}. État doé ue mesure µ de référece, o choisit au hasard ue permutatio σ 1 sous µ et le jeu de carte est réordoé e σ 1 = σ 1 Id. Pour battre les cartes, o itère plusieurs

15 15 fois cette opératio e tirat au hasard des permutatios σ 1, σ 2,..., σ et e les composat σ σ 2 σ 1. O peut imagier différetes règles pour mélager le cartes et choisir les permutatio σ k. Par exemple, permuter à chaque fois deux cartes choisies aléatoiremet ou pour u modèle plus réaliste mais mathématiquemet plus compliqué) couper le jeu e 2 paquets et isérer l u das l autre riffle shuffle). O a aisi costruit ue récurrece aléatoire sur le groupe symétrique S K. Si o mélage suffisammet logtemps le paquet, o s atted à ce que les positios des cartes soiet réparties uiformémet parmi les 52! choix possibles. Pour le joueur de poker, le comportemet asymptotique e sert à rie. La véritable questio est de savoir combie de fois il faut mélager le jeu de cartes? E termes mathématiques, o veut évaluer la vitesse de covergece vers u état d équilibre. Cette questio est détermiate pour de ombreuses applicatios. Si o souhaite réaliser ue simulatio umérique par u algorithme stochastique, il faut pouvoir prédire à quel momet la simulatio peut être arrêtée. Das ce cours, des critères théoriques sur les vitesses de covergece serot présetés. Les modèles décrits précédemmet sot tous des chaîes de Markov et peuvet être traités das u formalisme uifié qui sera décrit das les chapitres suivats.

16 16 CHAPITRE 1. DE LA MARCHE ALÉATOIRE AUX JEUX DE CARTES

17 Chapitre 2 Matrice de trasitio Das ce chapitre, ous allos défiir les chaîes de Markov et préseter leurs premières propriétés. 2.1 Propriété de Markov Ue suite de variables aléatoires {X } 0 preat ses valeurs das u esemble E est appelée u processus aléatoire discret avec espace d états E. Das ce cours, o e cosidèrera que des espaces d états E fiis ou déombrables. Le poit commu des exemples de processus aléatoires discrets présetés au chapitre 1 est la propriété de Markov : la dépedace du processus au temps + 1 par rapport à so passé se résume à la coaissace de l état X. O peut le formaliser aisi Défiitio 2.1 Propriété de Markov). Soit {X } 0 u processus aléatoire discret sur u espace d états déombrable E. Le processus satisfait la propriété de Markov si pour toute collectio d états {x 0, x 1,..., x, y} de E P X +1 = y X 0 = x 0, X 1 = x 1,..., X = x ) = P X+1 = y X = x ) dès que les deux probabilités coditioelles ci-dessus sot bie défiies. Le processus {X } 0 sera alors appelé ue chaîe de Markov. Si le membre de droite de 2.1) e déped pas de, o dira que la chaîe de Markov est homogèe. Les coditioemets das 2.1) s iterprètet comme des probabilités coditioelles d évèemets PA B) = PA B). Das ce cours, o e cosidèrera que des chaîes PB) de Markov homogèes. La distributio d ue chaîe de Markov homogèe peut doc être ecodée simplemet par ue matrice de trasitio P = {Px, y)} x,y E. La matrice de trasitio décrit la probabilité de passer de x à y et elle satisfait 2.1) x, y E, Px, y) = P X +1 = y X = x ) 2.2) x, y E, Px, y) 0 et x E, Px, y) = 1. y E 17

18 18 CHAPITRE 2. MATRICE DE TRANSITION Comme la chaîe est homogèe les trasitios e dépedet pas du temps et la relatio 2.2) est valable pour tout. Motros maiteat que les processus défiis au chapitre 1 vérifiet la propriété de Markov. Théorème 2.2 Récurrece aléatoire). Soit {ξ } 1 ue suite de variables aléatoires idépedates et idetiquemet distribuées sur u espace F. Soit E u espace d états déombrable et f ue foctio de E F das E. O cosidère aussi X 0 ue variable aléatoire à valeurs das E idépedate de la suite {ξ } 1. La récurrece aléatoire {X } 0 est ue chaîe de Markov. 1, X +1 = f X, ξ +1 ) Démostratio. Nous allos établir la propriété de Markov 2.1) P X +1 = y X 0 = x 0,..., X = x ) = P f X, ξ +1 ) = y, X 0 = x 0,..., X = x ) P X 0 = x 0,..., X = x ) = P f x, ξ +1 ) = y, X 0 = x 0, X 1 = x 1,..., X = x ). P X 0 = x 0, X 1 = x 1,..., X = x ) L évèemet {X 0 = x 0, X 1 = x 1..., X = x } e déped que des variables {X 0, ξ 1,..., ξ } qui sot idépedates de l évèemet { f x, ξ +1 ) = y}. Par coséquet le umérateur est le produit de la probabilité de ces deux évèemets idépedats et o a P X +1 = y X 0 = x 0,..., X = x ) = P f x, ξ +1 ) = y) = P X +1 = y X = x ). O e déduit aussi que la matrice de trasitio s écrit x, y E, Px, y) = P f x, ξ 1 ) = y). Iversemet à toute matrice de trasitio P idexée par N, o peut associer ue chaîe de Markov e costruisat ue récurrece aléatoire. État doé u état X = x de N, o choisit au hasard ue variable aléatoire ξ +1 uiforme sur [0, 1] et o attribue à X +1 la valeur y 1 X +1 = y si ξ +1 [ k=0 Px, k), y k=0 Px, k)] avec la covetio Px, 1) = 0. La même procédure s applique pour ue matrice de trasitio sur u espace E déombrable.

19 2.2. EXEMPLES DE CHAÎNES DE MARKOV Exemples de chaîes de Markov Chaîe de Markov à 3 états. O cosidère ue chaîe de Markov à 3 états, otés E = {1, 2, 3}, dot le graphe de trasitio est représeté figure 2.1. Sa matrice de trasitio P = {Pi, j)} est doée par P = 1/4 1/2 1/4 1/4 3/ ) 1/2 1/4 1 1/4 2 3/4 1/4 1 3 FIGURE 2.1 U graphe de trasitios à 3 états. Marche aléatoire. Ue marche aléatoire sur Z de probabilités de saut p, q = 1 p sur les plus proches voisis aura pour matrice de trasitio p, si y = x + 1 x, y Z, Px, y) = q, si y = x 1 0, sio La matrice de trasitio est cette fois idexée par Z Z mais la majorité de ses coefficiets sot uls). O peut aussi cosidérer la marche aléatoire das u domaie fii {1,..., L} par exemple e supposat que le domaie est périodique. Das ce cas si la marche aléatoire est e L, elle sautera e 1 avec probabilité p et réciproquemet elle sautera de 1 à L avec probabilité q. La matrice de trasitio P sera ue matrice L L P = 0 p q q 0 p q 0 p p q )

20 20 CHAPITRE 2. MATRICE DE TRANSITION File d attete. Les files d attete itervieet das des cotextes variés : au Maga, pour gérer des avios au décollage, pour le stockage de requêtes iformatiques avat leur traitemet, etc. Le modèle le plus simple cosister à supposer que ξ cliets arrivet das la file au temps. O choisit les variables ξ idépedates et idetiquemet distribuées à valeurs das N. Le serveur sert exactemet 1 cliet à chaque pas de temps si la file est pas vide. Le ombre de cliets X das la file au temps vérifie doc X = X 1 1) + + ξ. Le processus {X } 0 est ue récurrece aléatoire sur N et doc ue chaîe de Markov. Sa matrice de trasitio est doée pour tous x, y das N par Px, y) = P ξ 1 = y x 1) +). 2.3 Équatio de Chapma-Kolmogorov Soit {X } 0 ue chaîe de Markov homogèe sur E dot la doée iitiale X 0 est choisie aléatoiremet sur E selo la mesure µ 0 qui attribue les probabilités {µ 0 x)} x E aux élémets de E. Après pas de temps, X sera distribuée selo ue mesure que l o otera µ. L équatio de Chapma-Kolmogorov décrit l évolutio de la distributio µ au cours du temps à l aide de la matrice de trasitio P Chapma-Kolmogorov Soit h ue foctio de E das R. O défiit x E, Phx) = Px, y)hy). 2.5) y E Si E est fii, il s agit simplemet du produit à droite P h etre la matrice P et h = {hx)} x E vu comme u vecteur dot les coordoées sot das R. Soit µ = {µx)} x E ue mesure de probabilité sur E, o défiit le produit y E, µpy) = µx)px, y). 2.6) x E Si E est fii, il s agit du produit à gauche µ P etre u vecteur trasposé et ue matrice. Par covetio, o omet le symbole trasposé das 2.6). Pour 1, le produit matriciel P s écrit x, y E, avec la covetio P 1 = P. P +1 x, y) = P P x, y) = Px, z)p z, y) = P x, z)pz, y) 2.7) z E z E Théorème 2.3. Soit {X } 0 ue chaîe de Markov sur E de matrice de trasitio P dot la doée iitiale X 0 est distribuée selo la loi µ 0. Alors P X 0 = x 0, X 1 = x 1,..., X = x ) = µ0 x 0 ) Px 0, x 1 ) Px 1, x 2 )... Px 1, x ). 2.8)

21 2.3. ÉQUATION DE CHAPMAN-KOLMOGOROV 21 La loi µ de X est détermiée par l équatio de Chapma-Kolmogorov O a aussi x E, µ x) = µ 1 Px) = µ 0 P x). 2.9) x, y E, P X = y X 0 = x ) = P x, y). 2.10) Pour toute foctio borée h de E das R, l espérace de hx ) s écrit E hx ) X 0 = x ) = P hx). 2.11) O iterprète l équatio de Chapma-Kolmogorov e disat que la probabilité d observer X e y est la somme des probabilités de toutes les trajectoires possibles de la chaîe de Markov partat de x 0 et arrivat e y au temps y E, µ y) = {x 0,x 1,...,x 1 } E µ 0 x 0 ) Px 0, x 1 ) Px 1, x 2 )... Px 1, y). Démostratio. Pour prouver 2.8), o procède par des coditioemets successifs et o applique la propriété de Markov 2.1) à chaque étape pour retrouver les probabilités de trasitio 2.2) P X 0 = x 0,..., X = x ) = P X 0 = x 0,..., X 1 = x 1 ) P X = x X0 = x 0,..., X 1 = x 1 ) = P X 0 = x 0,..., X 1 = x 1 ) Px 1, x ) = µ 0 x 0 ) Px 0, x 1 ) Px 1, x 2 )... Px 1, x ). À la derière étape, ous avos utilisé que X 0 est distribuée selo µ 0. Pour obteir la loi de X, o écrit que X 1 peut predre toutes les valeurs possibles µ y) = P X = y ) = P X 1 = x, X = y ) = P X 1 = x ) P X = y X 1 = x ) x E x E = x E µ 1 x)px, y) = µ 1 Py) = µ 0 P y) où la derière relatio s obtiet par récurrece. L idetité 2.10) est qu u cas particulier de l équatio de Chapma-Kolmogorov 2.9) pour ue mesure iitiale µ 0 = δ x cocetrée e x. Fialemet l espérace de hx ) peut se décomposer à l aide de 2.10) E hx ) X 0 = x 0 ) = y hy)p X = y X 0 = x ) = P x, y)hy) = P hx). y Repreos l exemple de la chaîe à 3 états dot la matrice de trasitio est doée par 2.3). Les probabilités de trasitio après 2 pas de temps sot obteues par produit matriciel PX 2 = y X 0 = x) = P 2 x, y) P 2 = 1/16 1/4 1/16 1/16 9/

22 22 CHAPITRE 2. MATRICE DE TRANSITION Exercice 2.4. Soit {X } 0 ue chaîe de Markov à valeurs das E de matrice de trasitio P. Motrer que Y = X 3 est ue chaîe de Markov de matrice de trasitio P 3. Notatio. O utilisera l abréviatio suivate pour décrire l espérace d ue chaîe de Markov partat d u site x de E E x hx ) ) = E hx ) X0 = x ) := hy)p X = y X0 = x ). y E Si X 0 est iitialemet distribué sous ue mesure µ 0, o otera E µ0 hx ) ) = µ 0 P h = Processus décalé e temps {x 0,x 1,...,x } E +1 µ 0 x 0 ) Px 0, x 1 )... Px 1, x )hx ). La propriété de Markov se gééralise pour toute collectio d états {x 0,..., x, y 1,..., y K } de E P X +1 = y 1,..., X +K = y K X0 = x 0,..., X = x ) = P X1 = y 1,..., X K = y K X0 = x ). 2.12) Ceci s iterprète e disat que coditioellemet à {X = x }, le processus décalé e temps {X +k } k 0 est ue chaîe de Markov de matrice de trasitio P partat de x au temps 0 et idépedate du passé. O prouve le résultat e utilisat le théorème 2.3 P ) X +1 = y 1,..., X +K = y K X0 = x 0,..., X = x = P X 0 = x 0,..., X = x, X +1 = y 1,..., X +K = y K ) P X 0 = x 0,..., X = x ) = Px, y 1 )Py 1, y 2 )... Py K 1, y K ) = P X 1 = y 1,..., X K = y K X 0 = x ) où o a utilisé la relatio 2.8) pour obteir la troisième égalité. La propriété de Markov forte, établie das la sectio suivate, gééralise ce résultat. 2.4 Temps d arrêt et propriété de Markov forte U temps d arrêt T associé à u processus aléatoire discret {X } 0 est ue variable aléatoire à valeurs das N { } telle que pour tout 0, l évèemet {T = } est etièremet détermié par les variables {X 0,..., X }, c est à dire que pour tout il existe ue foctio ϕ : E +1 R telle que 1 {T=} = ϕ X 0,..., X ). U temps d arrêt très souvet utilisé est le premier temps d atteite d u sous esemble A E par le processus {X } 0 T A = if { 0; X A }.

. (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

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

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

Plus en détail

Chapitre 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

[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

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

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

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

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

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

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

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

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

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

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

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

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

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

[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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

20. Algorithmique & Mathématiques

20. Algorithmique & Mathématiques L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus

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

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

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

[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

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

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

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

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

Plus en détail

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

Éléments finis de joint mécaniques et éléments finis de joint couplés hydromécanique

Éléments finis de joint mécaniques et éléments finis de joint couplés hydromécanique Titre : Élémets fiis de joit mécaiques et élémets fi[...] Date : 28/10/2014 Pae : 1/10 Élémets fiis de joit mécaiques et élémets fiis de joit couplés hydromécaique Résumé : Cette documetatio porte sur

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

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

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

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

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

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

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

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

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

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

TP R : méthodes statistiques élémentaires

TP R : méthodes statistiques élémentaires M2 IFMA et MPE TP R : méthodes statistiques élémetaires À la fi de la séace vous déposerez vos scripts R das la boîte de dépôt de votre espace Sakai : http://australe.upmc.fr/portal. 1 Importatio des doées

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

École de technologie supérieure

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

Plus en détail

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

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

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

Chaînes de Markov. Arthur Charpentier

Chaînes de Markov. Arthur Charpentier 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.

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

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

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

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

Plus en détail

* 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

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

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

Suites et séries numériques

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

Plus en détail

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

Détermination des champs électriques et magnétiques. statiques par la méthode de séparation de variables

Détermination des champs électriques et magnétiques. statiques par la méthode de séparation de variables Détermiatio es champs électriques et magétiques statiques par la méthoe e séparatio e variables Chapitre III Détermiatio es champs électriques et magétiques statiques par la méthoe e séparatio e variables

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

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

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

Plus en détail

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

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

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

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

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

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

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

Chapitre 3 Détermination de la taille de l'échantillon

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

Plus en détail

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

4 Approximation des fonctions

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

Plus en détail

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

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

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

Plus en détail

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

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

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

Plus en détail

Maîtrise de Mathématiques TER Le bandit manchot à deux bras

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

Plus en détail

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

Comportement d'une suite

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

Plus en détail

Méthodes basiques en statistiques sous R

Méthodes basiques en statistiques sous R Méthodes basiques e statistiques sous R Master II Modélisatio Aléatoire - Paris VII Eseigat : Mme Picard Sébastie Le Berre 12 mai 2011 R est u logiciel de calcul largemet utilisé par la commuauté scietifique

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

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