3. Conditionnement P (B)

Save this PDF as:

Dimension: px
Commencer à balayer dès la page:

Download "3. Conditionnement P (B)"

Transcription

1 Conditionnement Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte de la donnée a priori d une information supplémentaire sur le résultat de l expérience aléatoire. La notion d espérance conditionnelle (et plus généralement de loi conditionnelle) est à la base de la plupart des constructions de la théorie moderne des probabilités. Sauf mention contraire, on suppose donné un espace de probabilités (Ω, F, P ) Probabilité conditionnelle et indépendance. Commençons par quelques rappels de notions élémentaires. Définition 3.1. Soient A et B deux événements tels que P (B) 0. On appelle probabilité conditionnelle de A sachant B le réel P (A/B) =. P (A B) P (B) Il faut bien sûr comprendre intuitivement la définition précédente comme mesurant la probabilité normalisée de ceux des ω B qui réalisent A. En quelque sorte, puisqu on connaît le fait que B se réalise, l espace de probabilités peut être restreint à B. Le cas particulier majeur de cette situation est celle où B n a pas d influence sur A, ce qui s exprime aussi en disant que conditionner ou non par B ne change pas la probabilité de A. Ce qui revient à dire que P (A/B) = P (A) ou encore P (A B) = P (A)P (B). Prolongeant cette définition au cas où P (B) = 0, on a la définition classique suivante Définition 3.2. a) Deux événements A et B sont indépendants si on a P (A B) = P (A)P (B). b) Deux sous-tribus G et H de F sont indépendantes si et seulement si tout élément de G et tout élément de H sont indépendants. L exercice suivant montre, si besoin était, qu il n y a aucun rapport entre l indépendance et la disjonction. Exercice 3.3. Montrer que A et A c sont indépendants si et seulement si P (A) = 0 ou 1. On prolonge comme d habitude cette définition au cas de n événements et plus généralement au cas de n variables aléatoires. Théorème et Définition 3.4. Soient X 1,..., X n des variables aléatoires à valeurs dans des espaces mesurables (E 1, E 1 ),..., (E n, E n ). On dit que les variables X 1,..., X n sont indépendantes si une des propriétés équivalentes suivantes est réalisée n (i) (A 1,..., A n ) E 1 E n, P (X 1 A 1,..., X n A n ) = P (X k A k ) (ii) µ (X1,...,X n)(dx 1,..., dx n ) = n µ Xk (dx k ) (iii) Pour toutes fonctions f k : E k R mesurables bornées (resp. mesurables positives), on a n n E( f k (X k )) = E(f k (X k )). Les équivalences du Théorème et Définition 3.4 sont laissées en exercice. Rappelons aussi à toutes fins utiles la Définition 3.5. On dit que la suite de variables aléatoires (X n ) n N est composée de variables indépendantes si et seulement si pour tout n, les variables X 1,..., X n sont indépendantes.

2 Conditionnement 17 Un résultat fondamental lié aux suites de variables indépendantes est dû à Kolmogorov: Théorème 3.6. (loi du 0-1) Soit (X n ) n 0 une suite de variables aléatoires indépendantes. On pose G = n 0 σ(x k, k n) ( tribu de queue ). Alors, A G, P (A) = 0 ou 1. Preuve: Posons F = σ(x 0, X 1,..., X n,... ). Noter qu évidemment G F. Soient A G et C = {B F, P (A B) = P (A)P (B)}. On vérifie immédiatement que C est une classe monotone. De plus, C contient l algèbre de Boole B = n 0 σ(x 0,..., X n ). Par le théorème de classe monotone (Théorème 1.2), il contient donc la tribu engendrée par B, c est à dire F. En particulier, A C et donc A est indépendant de lui même, ce qui équivaut à P (A) = 0 ou 1. Exercice 3.7. Soient A 1,..., A n des événements. a) Montrer que si A 1,..., A n sont indépendants, il en est de même de A 1,..., A n 1, A c n. b) Déduire que J {1,..., n}, (A c j, j J; A i, i {1,..., n} \ J) forme un ensemble de variables indépendantes. c) Montrer que A 1,..., A n sont indépendants si et seulement si les variables aléatoires 1 A1,..., 1 An sont indépendantes. Exercice 3.8. On se place sur l espace de probabilités ([0, 1], B, λ). Soit x [0, 1]. On écrit x sous la x k forme de sa décomposition dyadique x = 2 k et on pose X k(x) = x k. a) Montrer que les variables aléatoires (X k ) k 1 forment une suite de variables indépendantes et de même loi 1 2 (δ 0 + δ 1 ). b) Montrer qu il existe une suite (Y n ) de variables aléatoires indépendantes sur ([0, 1], B, λ) telle que Y n suit une loi uniforme sur [0, 1]. c) Soit (µ n ) n 1 une suite de mesures de probabilités sur R. Montrer qu il existe une probabilité IP sur E = R N telle que sous IP, les projections canoniques z k : E R, (x n ) n 0 x k forment une suite de variables indépendantes et z n a pour loi µ n. Exercice 3.9. Soit (B t ) t R + vérifiant les conditions suivantes: une famille de variables aléatoires (i) t 1 < t 2 < < t n, (B t1,..., B tn ) est un vecteur gaussien centré (ii) (s, t), E(B s B t ) = s t (iii) p.s., t B t (ω) est une fonction continue a) Montrer que (B t ) est à accroissements indépendants et stationnaires i.e. t 1 < t 2 < < t n, B t1, B t2 B t1,..., B tn B tn 1 sont des variables indépendantes et s < t, B t B s a même loi que B t s. n 1 b) On pose G n t = (B k+1 n k=0 t B k n t)2. Montrer qu il existe une suite n p telle que G np t t p.s. c) Soit t > 0. Montrer que p.s., s B s (ω) n est pas à variations finies sur l intervalle [0, t]. Exercice On rappelle la Formule de Poincaré: si (A 1,..., A n ) sont des événements, n n P ( A k ) = ( 1) k 1 S k où S k = 1 i 1 <i 2 < <i k n P (A i1 A ik ).

3 A) Sur N, on considère la probabilité P s (s > 1 réel fixé), définie par où ζ(s) = n 1 1 (fonction de Riemann). ns Conditionnement 18 P s ({n}) = 1 ζ(s)n s Pour p premier, on définit les variables aléatoires ρ p et α p par ρ p (n) = 1 si p divise n, 0 sinon, et α p (n) = exposant de p dans la décomposition en facteurs premiers de n. a) Trouver la loi des variables ρ p et montrer qu elles sont indépendantes. b) Montrer que ζ(s) = (1 1 p s ) 1 où {p k, k 1} désigne la suite des nombres premiers dans N. k B) Soit N 2 un entier fixé. On pose Ω = {1,..., N} 2 et on note P N la probabilité uniforme sur Ω. 1) On introduit les événements B = { les entiers choisis sont premiers entre eux} et A p = { les entiers choisis sont divisibles par p} où p est premier. On note p 1, p 2,..., p n les nombres premiers inférieurs à N et on fixe un entier m 1. a) Montrer que où S k = 1 N 2 1 i 1 <i 2 < <i k m m P N ( A pk ) = [N/p i1... p ik ] 2. m ( 1) k 1 S k b) Déduire, toujours pour m fixé, que m m lim P N ( A pk ) = 1 N (1 1 p 2 ). k c) Conclure que lim N + P N(B) = 6 π Espérance conditionnelle. La notion d espérance conditionnelle prolonge le formalisme précédent en cherchant à intégrer la connaissance de la valeur d une variable aléatoire, et plus seulement celle du fait qu un événement particulier s est réalisé. Commençons par une situation simple mais exemplaire de ce qu on cherche à faire. Soit X une variable aléatoire réelle et T une variable aléatoire à valeurs dans un ensemble dénombrable E = {t 0, t 1,..., t n,... }. D après le paragraphe précédent, pour k N, sur l événement (T = t k ) est définie une probabilité Q k = P (./T = t k ) qui réprésente la mesure de probabilité P tenant compte du fait que (T = t k ) s est réalisé. De ce fait, la valeur moyenne de X sachant que T = t k sera naturellement prise égale à E(X/T = t k ) = X(ω)dQ k (ω), et on définira par suite l espérance conditionnelle (T =t k ) de X sachant T comme étant la variable aléatoire égale à E(X/T ) = k 0 E(X/T = t k )1 (T =tk ). Noter qu avec cette définition E(X/T ) apparaît comme une fonction de T, ou encore comme une variable σ(t )-mesurable. Pour chercher à prolonger ce résultat au cas de variables T à valeurs non dénombrables, on peut remarquer sur l exemple précédent que pour n importe quelle fonction bornée f : E R, E(f(T )X) = k 0 f(t k)e(1 (T =tk )X). Or, comme pour n importe quel A F, E(1 (T =tk )1 A ) = P ((T = t k ) A) =

4 Conditionnement 19 P (T = t k )Q k (A) = E(1 (T =tk )Q k (A)), on en déduit par les arguments habituels que E(1 (T =tk )X) = XdQ k ), et donc que E(1 (T =tk ) Ω E(f(T )X) = E( k 0 f(t k )1 (T =tk ) Ceci conduit naturellement à poser la définition suivante. Ω XdQ k ) = E(f(T )E(X/T )). Théorème et Définition Soient X une variable aléatoire réelle admettant un moment d ordre 1 et T une variable aléatoire. On appelle espérance conditionnelle de X sachant T l unique variable aléatoire Y mesurable par rapport à σ(t )telle que pour toute variable bornée Z mesurable par rapport à σ(t ), on ait E(X.Z) = E(Y.Z). (3.1) Cette variable est notée E(X/T ) ou E σ(t ) (X). Preuve: Unicité: Supposons que Y et Y satisfassent la Définition La variable aléatoire Z = Y Y Y Y 1 Y Y est σ(t ) mesurable et bornée. De ce fait, en appliquant (3.1), 0 = E((Y Y )Z) = E( Y Y 1 Y Y ) d où Y = Y -p.s. Existence: Commençons par supposer que X L 2 (Ω, F, P ). Posons H = L 2 (Ω, σ(t ), P ), il s agit d un sous espace vectoriel fermé de l espace de Hilbert L 2 (Ω, F, P ), et de ce fait, on peut définir Y la projection orthogonale de X sur H. C est une variable σ(t )-mesurable et elle satisfait, pour toute variable Z σ(t )-mesurable et bornée (et donc dans H), E(XZ) = E(Y Z) soit (3.1). D où l existence cherchée dans ce cas. Noter que par propriété de la projection orthogonale, l espérance conditionnelle sur L 2 est ainsi linéaire. Prenant Z = 1 dans (3.1) montre que E(E(X/T )) = E(X). De plus, si X 0, E(X/T ) 0 (prendre Z = 1 E(X/T ) 0 dans (3.1)). De ce fait, pour X L 2, on a E( X /T ) E(X/T ) et donc, prenant l espérance, E(X/T ) 1 X 1. Achevons la preuve du Théorème Supposons que X soit dans L 1. On peut trouver une suite X n de variables de L 2 telle que X n X 1 0. On a E(X n /T ) E(X p /T ) 1 X n X p 1 et donc E(X n /T ) est une suite de Cauchy dans L 1 qui converge vers un élément noté E(X/T ). Pour tout Z, σ(t )-mesurable et borné, on a E(X n.z) = E(E(X n /T ).Z) et donc par passage à la limite L 1, E(X.Z) = E(E(X/T ).Z). Les principales propriétés de l espérance conditionnelle sont rappelées dans la proposition ci-dessous dont la démonstration est laissée en exercice ((i),(ii) et (iv) ont déjà été prouvées). Proposition Soit T une variable aléatoire et soit X une v.a.r. intégrable. (i) E(./T ) est un opérateur linéaire positif continu sur L 1 (ii) Si X est σ(t )-mesurable, E(X/T ) = X, p.s. (iii) Si ϕ est convexe sur R, ϕ(e(x/t )) E(ϕ(X)/T ) p.s. (iv) E(X/T ) 1 X 1 (v) Si X n X p.s., et n 0, X n Y L 1, E(X n /T ) E(X/T ) p.s. Il sera souvent utile de considérer l information apportée dans le conditionnement sous la forme d une sous-tribu B de F, le cas précédent correspondant à B = σ(t ). La Définition 3.11 s étend alors naturellement:

5 Conditionnement 20 Définition Soient X une variable aléatoire réelle intégrable, et B une sous-tribu de F. On appelle espérance conditionnelle de X sachant B l unique variable aléatoire Y, B-mesurable, telle que Z, B-mesurable bornée, E(X.Z) = E(Y.Z). Une propriété utile qui se déduit de la définition précédente est l emboîtement des conditionnements successifs. Proposition Soient X une variable aléatoire réelle intégrable et B B deux sous-tribus de F. Alors E(X/B ) = E[E(X/B)/B ]. Preuve: Il suffit de remarquer que E(E(X/B)/B ) est une variable aléatoire B -mesurable et que, pour toute variable aléatoire Y, B mesurable bornée, on a E(Y.E[E(X/B)/B ]) = E(Y.E(X/B)) = E(Y.X), la dernière égalité résultant du fait que Y est aussi B-mesurable. Notons enfin, pour clore ce paragraphe sur l espérance conditionnelle que si X et T sont indépendantes, la relation (3.1) est évidemment vérifiée en prenant Y égale à la constante E(X), et donc, vu l unicité de l espérance conditionnelle, on peut énoncer Corollaire Soient X une v.a.r. intégrable, et T une variable aléatoire telles que X et T soient indépendantes. Alors, E(X/T ) = E(X) p.s. Exercice Soit (B i ) i I la famille de toutes les sous-tribus de F et X une v.a. intégrable. Montrer que la famille (IE B i (X)) i I est équi-intégrable. Exercice On pose Var(X/G) = E[(X E(X/G)) 2 /G]. Montrer que Var(X) = E[Var(X/G)] + Var(E(X/G)). Exercice a1) Soient (X, Y, Z) tel que (X, Z) (Y, Z). Montrer que f 0 et borélienne, E(f(X)/Z) = E(f(Y )/Z). a2) On pose h 1 (X) = E(g(Z)/X) et h 2 (Y ) = E(g(Z)/Y ) pour g borélienne positive donnée. Montrer que h 1 = h 2, µ-pp, où µ désigne la loi de X. b) Soient T 1,..., T n des variables aléatoires réelles intégrables indépendantes et de même loi. On pose T = T T n. b1) Montrer que E(T 1 /T ) = T n. b2) Calculer E(T/T 1 ) Exercice Soit (X n ) une suite de variables aléatoires réelles idépendantes à valeurs dans R d. On pose S 0 = 0, S n = X 1 + +X n, F n = σ(s k, k n). Montrer que pour toute f : R d R borélienne bornée, E(f(S n )/F n 1 ) = E(f(S n )/S n 1 ) et calculer cette quantité. Exercice a) Soit X à valeurs dans R m tel que X = ϕ(y ) + Z où Y et Z sont indépendantes. Calculer E(f(X)/Y ). b) Soient X et Y à valeurs dans R k et R p respectivement. On suppose que (X, Y ) est un vecteur gaussien de moyenne On suppose R Y inversible. b1) Déterminer A telle que X AY et Y soient indépendantes. ( ) ( ) MX RX R et de covariance XY. M Y R Y X R Y b2) Montrer que E(f(X)/Y ) = f(x)µ Y (dx) où µ Y est la loi gaussienne de moyenne E(X/Y ) = M X + R XY R 1 Y (Y M Y ) et de covariance R X R XY R 1 Y R Y X.

6 Conditionnement 21 Exercice A) Soient σ > 0, a R d et C une matrice d d définie positive. Montrer que (C + σ 2 a t a) 1 = C 1 C 1 a t ac 1 σ 2 + < C 1 a, a >. B) Soient (Z n ) une suite de variables aléatoires réelles idépendantes. On suppose que pour tout n, Z n N (0, c 2 n) où c n > 0. Soit X une variable aléatoire de loi N (0, σ 2 ) (σ > 0), indépendante de la suite (Z n ). On pose Y n = X + Z n, G n = σ(y 1,..., Y n ), ˆXn = E(X/G n ). On pose Y n = (Y 1,..., Y n ). B1) Quelle est la loi de (X, Y 1,..., Y n )? B2) Calculer E(f(X)/Y n ) B3) Calculer ˆX n et E((X ˆX n ) 2 ) B4) Montrer que ˆX n X dans L 2 si et seulement si n 1 c 2 n = +. Exercice Soient F 1, F 2, F 3 trois sous-tribus de F. On dit que F 1 et F 2 sont conditionnellement indépendantes sachant F 3 si (A, B) F 1 F 2, E(1 A 1 B /F 3 ) = E(1 A /F 3 )E(1 B /F 3 ). Montrer que ceci équivaut à: Y, F 2 -mesurable bornée, E(Y/F 3 ) = E(Y/F 13 ), où F 13 = σ(f 1, F 3 ) Lois conditionnelles. De même que la loi d une variable aléatoire X contient l information probabiliste requise pour l utilisation de cette variable, on a naturellement besoin d une notion correspondante pour l information qu apporte cette variable lorsqu on connait en plus une autre variable aléatoire T. C est le rôle que va jouer la loi conditionnelle. Soient X une variable aléatoire à valeurs dans (E, E) et T une variable aléatoire. Le problème qu on se pose est le suivant: construire une mesure ν T sur (E, E) telle que pour toute fonction f : E R mesurable bornée, on ait E(f(X)/T ) = E f(x)ν T (dx). Naturellement, une telle relation va imposer à ν T d être une mesure aléatoire, et même plus précisément que l aléa se lise à travers T (puisque par définition, E(f(X)/T ) est une variable σ(t )-mesurable). L idée qui vient naturellement est de définir la mesure ν T par ν T (A) = E(1 A (X)/T ). Le problème est que la relation précédente, une égalité entre variables aléatoires, n a de sens que p.s. et donc, sauf dans le cas particulier où X prend un nombre dénombrable de valeurs, il n est pas du tout évident que ν T (ω) ainsi définie soit une probabilité sur (E, E). De ce fait, on a en fait besoin de trouver ce qu on nomme une probabilité conditionnelle régulière qui permette de définir une véritable mesure aléatoire. La définition formelle suivante fixe le cadre. Définition Soit (E, E) un espace mesurable et T une variable aléatoire à valeurs dans (F, F). On appelle T -probabilité de transition sur E une application ν : Ω E [0, + ] telle que (i) A E, ω ν(ω, A) est une variable aléatoire σ(t )-mesurable (ii)p -p.s., ν(ω, dx) est une mesure de probabilité sur (E, E) Pour une variable aléatoire X à valeurs dans un espace mesurable quelconque, on ne peut pas trouver en général de loi conditionnelle régulière. Le résultat suivant est de ce fait très important. Théorème et Définition Soient X une variable aléatoire réelle à valeurs dans (E, E) un espace métrique séparable muni de sa tribu borélienne, et T une variable aléatoire. Une loi conditionnelle régulière de X sachant T existe et est une T -probabilité de transition ν T sur E telle que f : E R mesurable bornée, E(f(X)/T )(ω) = f(x)ν T (ω)(dx)p.s.. E

7 Conditionnement 22 Preuve: Nous nous contenterons de faire la démonstration pour E = R n et dans un deuxième temps expliquerons comment elle s étend à E = R N. Le lecteur que tout cela excite pourra chercher la démonstration générale dans la littérature. Cas E = R n : On pose X = (X 1,..., X n ). Pour r 1,..., r n des rationnels, définissons F ω (r 1,..., r n ) = E(1 T n i=1 (X i<r i )/T )(ω). Notons que, pour (r 1,..., r n ) et (r 1,..., r n) fixés tels que r i r i, 1 i n, on a F ω(r 1,..., r n ) F ω (r 1,..., r n) p.s. On a de plus, pour tout choix de (r 1,..., r n ), F ω (r 1 1 k,..., r n 1 k ) k + F ω (r 1,..., r n ) p.s. Donc on peut trouver un ensemble N tel que P (N) = 0 tel que sur N c, F définit une fonction croissante n-variée sur Q n et continue à gauche sur les rationnels. On peut de plus exiger (même raisonnement) que F tende vers 0 quand les r i tendent vers et vers 1 quand ils tendent vers +. On prolonge alors F à R n par continuité en posant, pour ω / N, F ω (x 1,..., x n ) = sup F ω (r 1,..., r n ). r 1 <x 1,...,r n<x n Pour ω N c, F ω détermine donc une mesure de probabilité sur E = R n que nous notons ν T (ω) soit la condition (ii) de la Définition Montrons que la condition (i) est également satisfaite. Soit L = {A E, ν T (., A) est σ(t )-mesurable et ν T (A) = E(1 A (X)/T ) p.s }. L est clairement un λ-système (voir l Exercice 1.3), qui contient par construction tous les pavés n i=1 ], r i[, r i Q qui forment clairement un π-système. De ce fait, par le πλ-théorème, L contient la tribu borélienne B(R n ). L égalité E(f(X)/T ) = E f(x)ν T (dx)p.s. pour une fonction f mesurable bornée est alors obtenue par un raisonnement classique. Cas E = R N : On note X k les coordonnées du processus X. Reprenons la démonstration précédente et notons, pour n N, F n la fonction F précédente définie sur Q n, en exigeant de plus que p.s. lim F ω n+1 (r 1,..., r n, r) = Fω n (r 1,..., r n ). (3.2) r +,r Q On prolonge p.s. par continuité à gauche F n (ω) à R n comme précédemment et notons µ n (ω) la mesure de probabilité sur R n associée. La condition (3.2) revient à dire que la suite (µ n )(ω) n 1 est compatible au sens du Théorème 1.18, et de ce fait détermine une unique probabilité ν T (ω) sur n (R N, B(R N )). On a pour tout B = ], r k [ R R R..., où les r k sont des rationnels, E(1 B (X)/T ) = E(1 X1 <r 1,...,X n<r n /T ) = F n (r 1,..., r n ) = ν T (B) p.s.. Un raisonnement identique à celui du cas précédent permet alors de conclure. La démonstration précédente dans le cas E = R n permet d obtenir une preuve du Théorème de Kolmogorov 1.18 dans le cas E = R N (noter que ce théorème servait, dans la démonstration du Théorème 3.24, uniquement pour prouver le cas E = R N, et il n y a donc pas d entourloupette!). Corollaire : (Théorème 1.18) Soit (µ n ) n 0 une famille de probabilités sur les espaces produit (R n+1, B(R n+1 )) qui satisfait la condition de compatibilité µ n (dx 0,..., dx n ) = µ n+1 (dx 0,..., dx n, dx n+1 ). R Alors il existe une unique probabilité P sur l espace canonique R N telle que sous P le processus canonique X admette les lois µ n comme répartitions finies.

8 Conditionnement 23 Preuve: Il suffit de démontrer que sur un espace de probabilité (Ω, F, P ), on peut trouver une suite de variables aléatoires réelles (X n ) n 0 telle que pour chaque n 0, la loi de (X 0,..., X n ) est donnée par µ n. La probabilité cherchée est alors la loi du processus. D après l Exercice 3.8, sur un espace (Ω, F, P ), il existe une suite de variables aléatoires indépendantes (U n ) n 0 de loi uniforme sur [0, 1]. Supposons que (X 0,..., X n 1 ) soit construit tel que (X 0,..., X k ) soit σ(u 0,..., U k )-mesurable et suive la loi µ k pour tout k n 1, et construisons X n. L idée va être de se débrouiller pour que cette variable admette la bonne loi conditionnelle sachant (X 0,..., X n 1 ). Considérons un vecteur aléatoire (Y 0,..., Y n ) sur un espace de probabilités (E, E, Q) de loi µ n (on peut par exemple prendre E = R n+1, Q la mesure µ n, et pour (Y 0,..., Y n ) le n + 1-uplet des projections canoniques). D après le premier cas de la démonstration du Théorème 3.24, il existe une loi conditionnelle de Y n sachant (Y 0,..., Y n 1 ), dont on note F n (y; Y 0,..., Y n 1 ) la fonction de répartition. Pour (y 0,..., y n 1 ) donné, soit G n (y; y 0,..., y n 1 ) = inf{t [0, 1], F n (y; y 0,..., y n 1 ) t} l inverse généralisée de F n ; on sait (cf. la démonstration du Théorème 2.26), qu alors G n (U n ; y 0,..., y n 1 ) suit la loi F n (dz; y 0,..., y n 1 ). Posons X n = G n (U n ; X 0,..., X n 1 ). Il est clair que X n est alors σ(u 0,..., U n ) mesurable. Examinons maintenant la loi de (X 0,..., X n ). Soit ϕ : R n+1 R mesurable bornée. E(ϕ(X 0,..., X n )) = E(ϕ(X 0,..., X n 1, G n (U n ; X 0,..., X n 1 )). Comme U n et (X 0,..., X n 1 ) sont indépendants, cette dernière expression se réécrit E( ϕ(x 0,..., X n 1, z)f n (dz; X 0,..., X n 1 )) R = ϕ(x 0,..., x n 1, z)f n (dz; x 0,..., x n 1 )µ n 1 (dx 0,..., dx n 1 ) R n+1 = ϕ(y 0,..., Y n 1, z)f n (dz; Y 0,..., Y n 1 )dq E R en utilisant le fait que (Y 0,..., Y n 1 ) suit la loi µ n 1 grâce à la condition de compatibilité, et cette dernière expression est aussi E Q (E Q (ϕ(y 0,..., Y n 1, Y n )/(Y 0,..., Y n 1 ))) = E Q (ϕ(y 0,..., Y n 1, Y n ) = ϕ(y 0,..., y n 1, y n )µ n+1 (dy 0,..., dy n ) R n+1 ce qui prouve donc que (X 0,..., X n ) suit la loi µ n. L exemple le plus important où la définition 3.24 s applique est celui où le vecteur (X, T ) est à valeurs dans R n+d et y admet une densité λ(x 1,..., x n ; t 1,..., t d ). La loi conditionnelle se calcule alors très aisément: Proposition Soit (X, T ) un vecteur aléatoire à valeurs dans R n+d dont la loi admet une densité λ(x 1,..., x n ; t 1,..., t d ). Alors la loi conditionnelle de X sachant T est p.s. la loi sur R n admettant λ(x la densité α T (x 1,..., x n ) = 1,..., x n ; T ). R n λ(u 1,..., u n ; T )du 1... du n Preuve: Naturellement, la loi aléatoire à densité précédente est bien une T -probabilité de transition sur R n. De plus, pour f et g boréliennes bornées sur R n, on peut écrire grâce au théorème de Fubini qui s applique ici (puisque f et g sont bornées), E(f(X)g(T )) = f(x)g(t)λ(x, t)dxdt = g(t)[ f(x)α t (dx)]ρ(t)dt R n R d R d R n où ρ(t) = R n λ(u 1,..., u n ; t)du 1... du n est la densité de la loi de T. De ce fait, on a E(f(X)g(T )) = E(g(T )[ R n f(x)α T (dx)]) et donc p.s. E(f(X)/T ) = R n f(x)α T (dx).

9 Conditionnement 24 Exercice Soient T 1, T 2,... des variables aléatoires de loi exponentielle de paramètre λ indépendantes. On pose T = T T n. a) Déterminer la loi conditionnelle de T 1 sachant T et calculer E(T 1 /T ). b) Calculer E(T 2 1 /T ) et E(T 1T 2 /T ). Exercice Soient X et Y deux variables aléatoires indépendantes de même loi de densité f. Soit M = max(x, Y ). Déterminer la loi conditionnelle de X sachant M.

Le corps R des nombres réels

Le corps R des nombres réels Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du

Plus en détail

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint 18 mars 2008 1 Généralités sur les opérateurs 1.1 Définitions Soient H et H deux espaces de Hilbert sur C. Définition 1.1

Plus en détail

TD2 Fonctions mesurables Corrigé

TD2 Fonctions mesurables Corrigé Intégration et probabilités 2012-2013 TD2 Fonctions mesurables Corrigé 0 Exercice qui avait été préparé chez soi Exercice 1. Soit (Ω, F, µ) un espace mesuré tel que µ (Ω) = 1. Soient A, B P (Ω) deux sousensembles

Plus en détail

Espaces vectoriels et applications

Espaces vectoriels et applications Espaces vectoriels et applications linéaires 1 Définitions On parle d espaces vectoriels sur le corps R ou sur le corps C. Les définitions sont les mêmes en substituant R à C ou vice versa. Définition

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

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail

Développement décimal d un réel

Développement décimal d un réel 4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce

Plus en détail

La mesure de Lebesgue sur la droite réelle

La mesure de Lebesgue sur la droite réelle Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et

Plus en détail

Chapitre 1 : Évolution COURS

Chapitre 1 : Évolution COURS Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir

Plus en détail

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA)

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA) Agrégation interne de Mathématiques (et CAEPA Session 2009 Deuxième épreuve écrite 2 NOTATIONS ET PÉLIMINAIES On désigne par le corps des nombres réels et par C le corps des nombres complexes. Si f est

Plus en détail

Exo7. Sujets de l année 2008-2009. 1 Partiel. Enoncés et corrections : Sandra Delaunay. Exercice 1 Soit A une matrice 2 2 à coefficients réels.

Exo7. Sujets de l année 2008-2009. 1 Partiel. Enoncés et corrections : Sandra Delaunay. Exercice 1 Soit A une matrice 2 2 à coefficients réels. Enoncés et corrections : Sandra Delaunay Exo7 Sujets de l année 28-29 1 Partiel Exercice 1 Soit A une matrice 2 2 à coefficients réels. On suppose a + c = b + d = 1 et a b 1. ( ) a b c d 1. Soient (x 1,x

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

Outils d analyse fonctionnelle Cours 5 Théorie spectrale

Outils d analyse fonctionnelle Cours 5 Théorie spectrale Outils d analyse fonctionnelle Cours 5 Théorie spectrale 22 septembre 2015 Généralités Dans tout ce qui suit V désigne un espace de Hilbert réel muni d un produit scalaire x, y. Définition Soit A une application

Plus en détail

Compléments sur les couples aléatoires

Compléments sur les couples aléatoires Licence Math et MASS, MATH54 : probabilités et statistiques Compléments sur les couples aléatoires 1 Couple image ans ce paragraphe, on va s intéresser à la loi d un vecteur aléatoire S, T qui s obtient

Plus en détail

Suites numériques 3. 1 Convergence et limite d une suite

Suites numériques 3. 1 Convergence et limite d une suite Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n

Plus en détail

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à Intégration et probabilités 212-213 TD3 Intégration, théorèmes de convergence Corrigé xercice ayant été voué à être préparé xercice 1 (Mesure image). Soient (, A, µ) un espace mesuré, (F, B) un espace

Plus en détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

Plus en détail

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015 Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k

Plus en détail

5. Options américaines Une option américaine peut être exercée à n importe quelle instant compris entre

5. Options américaines Une option américaine peut être exercée à n importe quelle instant compris entre 5. Options américaines Une option américaine peut être exercée à n importe quelle instant compris entre 0 et l échéance N. Définition 5.1. Une option américaine est définie par une suite (h n ) n=0..n,

Plus en détail

Licence de Sciences et Technologies. Fiche de cours 1 - Nombres réels.

Licence de Sciences et Technologies. Fiche de cours 1 - Nombres réels. Licence de Sciences et Technologies EM21 - Analyse Fiche de cours 1 - Nombres réels. On connaît les ensembles suivants, tous munis d une addition, d une multiplication, et d une relation d ordre compatibles

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre

1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre 1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre BCPST Lycée Hoche $\ CC BY: Pelletier Sylvain Les deux modes de représentation des sous-espaces vectoriels Il existe deux modes

Plus en détail

Continuité en un point

Continuité en un point DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à

Plus en détail

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées.

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées. Chapitre 10 Calcul Matriciel 101 Qu est-ce qu une matrice? Définition : Soit K un ensemble de nombres exemples, K = N, Z, Q, R, C, n, p N On appelle matrice à n lignes et p colonnes la données de np nombres

Plus en détail

Fonctions homographiques

Fonctions homographiques Fonctions homographiques On donne ci-dessous deux définitions des fonctions homographiques, et on montre que ces deux définitions sont équivalentes. On décrit la courbe représentative d une fonction homographique.

Plus en détail

Intégration et probabilités TD1 Espaces mesurés

Intégration et probabilités TD1 Espaces mesurés Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?

Plus en détail

Cours de terminale S Suites numériques

Cours de terminale S Suites numériques Cours de terminale S Suites numériques V. B. et S. B. Lycée des EK 13 septembre 2014 Introduction Principe de récurrence Exemple En Mathématiques, un certain nombre de propriétés dépendent d un entier

Plus en détail

Problèmes de Mathématiques Noyaux et images itérés

Problèmes de Mathématiques Noyaux et images itérés Énoncé Soit E un espace vectoriel sur IK (IK = IR ou lc). Soit f un endomorphisme de E. On pose f 0 = Id E, et pour tout entier k 1, f k = f f k 1. 1. Montrer que (Im f k ) k 0 et (Ker f k ) k 0 forment

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S)

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S) MA 09 CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 009 COMPOSITION DE MATHÉMATIQUES (Classe terminale S) DURÉE : 5 heures La calculatrice de poche est autorisée, conformément à la réglementation. La clarté et

Plus en détail

UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010. N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES

UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010. N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010 N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES 1 Les énoncés La plupart des phrases que l on rencontre dans un livre

Plus en détail

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M Topologie 1 Espaces métriques 1.1 Distance Dans toute cette partie E représente un ensemble qui n est pas forcément un espace vectoriel. Définition

Plus en détail

Points fixes de fonctions à domaine fini

Points fixes de fonctions à domaine fini ÉCOLE POLYTECHNIQUE ÉCOLE NORMALE SUPÉRIEURE DE CACHAN ÉCOLE SUPÉRIEURE DE PHYSIQUE ET DE CHIMIE INDUSTRIELLES CONCOURS D ADMISSION 2013 FILIÈRE MP HORS SPÉCIALITÉ INFO FILIÈRE PC COMPOSITION D INFORMATIQUE

Plus en détail

BJ - RELATIONS BINAIRES

BJ - RELATIONS BINAIRES BJ - RELATIONS BINAIRES Définitions Soit A et B deux ensembles non vides, et G une partie de A B. On dit qu un élément x de A est relié à un élément y de B par une relation binaire de graphe G, si le couple

Plus en détail

TOPOLOGIE DE LA DROITE REELLE

TOPOLOGIE DE LA DROITE REELLE TOPOLOGIE DE LA DROITE REELLE P. Pansu 16 mai 2005 1 Qu est-ce que la topologie? C est l étude des propriétés des objets qui sont conservées par déformation continue. Belle phrase, mais qui nécessite d

Plus en détail

Logique informatique 2013-2014. Examen

Logique informatique 2013-2014. Examen Logique informatique 2013-2014. Examen 30 mai 2013. Durée 3h. Tous les documents sont autorisés. Seuls les résultats du cours peuvent être utilisés sans démonstration. Le barême et la longueur des solutions

Plus en détail

IV. Espaces L p. + tx 1. (1 t)x 0

IV. Espaces L p. + tx 1. (1 t)x 0 cours 13, le lundi 7 mars 2011 IV. spaces L p IV.1. Convexité Quand deux points x 0, x 1 R sont donnés, on peut parcourir le segment [x 0, x 1 ] qui les joint en posant pour tout t [0, 1] x t = (1 t)x

Plus en détail

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010 Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale 15 novembre 2010 Table des matières 1 Rappel sur les Processus Gaussiens 2 Théorie du chaos multiplicatif gaussien de

Plus en détail

Continuité d une fonction de plusieurs variables

Continuité d une fonction de plusieurs variables Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs

Plus en détail

Leçon 6. Savoir compter

Leçon 6. Savoir compter Leçon 6. Savoir compter Cette leçon est une introduction aux questions de dénombrements. Il s agit, d une part, de compter certains objets mathématiques (éléments, parties, applications,...) et, d autre

Plus en détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration et probabilités TD1 Espaces mesurés Corrigé Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.

Plus en détail

Séminaire TEST. 1 Présentation du sujet. October 18th, 2013

Séminaire TEST. 1 Présentation du sujet. October 18th, 2013 Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de

Plus en détail

CHAPITRE 4 FORMES NORMALES SYSTEMES COMPLETS DE CONNECTEURS 1

CHAPITRE 4 FORMES NORMALES SYSTEMES COMPLETS DE CONNECTEURS 1 Université Paris 7 U3MI36 CHAPITRE 4 FORMES NORMALES SYSTEMES COMPLETS DE CONNECTEURS 1 4.1 Formes normales Définitions : 1) Une formule F est sous forme normale disjonctive si et seulement si il existe

Plus en détail

Applications linéaires

Applications linéaires Chapitre IV Applications linéaires Révisions Définition. Soient E, deux espaces vectoriels sur le même corps commutatif est dite linéaire si quels que soient x, y E et λ,. Une application f : E f x y f

Plus en détail

Exercices Corrigés Premières notions sur les espaces vectoriels

Exercices Corrigés Premières notions sur les espaces vectoriels Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3

Plus en détail

Couples de variables aléatoires discrètes

Couples de variables aléatoires discrètes Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude

Plus en détail

Démonstrations exigibles au bac

Démonstrations exigibles au bac Démonstrations exigibles au bac On donne ici les 11 démonstrations de cours répertoriées comme exigibles dans le programme officiel. Toutes ces démonstrations peuvent donner lieu à une «restitution organisée

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

Applications des nombres complexes à la géométrie

Applications des nombres complexes à la géométrie Chapitre 6 Applications des nombres complexes à la géométrie 6.1 Le plan complexe Le corps C des nombres complexes est un espace vectoriel de dimension 2 sur R. Il est donc muni d une structure naturelle

Plus en détail

Espaces vectoriels 2006-2007. Agrégation interne de Mathématiques Département de Mathématiques Université de La Rochelle F.

Espaces vectoriels 2006-2007. Agrégation interne de Mathématiques Département de Mathématiques Université de La Rochelle F. Agrégation interne de Mathématiques Département de Mathématiques Université de La Rochelle 2006-2007 Espaces vectoriels Convention 1. Dans toute la suite, k désignera un corps quelconque. Définition 2.

Plus en détail

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables

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

Intégration de polynômes Points de Gauss

Intégration de polynômes Points de Gauss Intégration de polynômes Points de Gauss Commençons par un exercice classique de premier cycle. Problème 1 Trouver trois réels α, β et γ tels que, pour tout polynôme P de degré au plus 2, on ait : ( )

Plus en détail

AGRÉGATION INTERNE: RÉDUCTION DES ENDOMORPHISMES

AGRÉGATION INTERNE: RÉDUCTION DES ENDOMORPHISMES AGRÉGATION INTERNE: RÉDUCTION DES ENDOMORPHISMES VINCENT GUEDJ 1. Notions fondamentales 1.1. Noyau, Image. On se donne E un K-espace vectoriel de dimension finie (K = R, C principalement) et f L(E) un

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au

Plus en détail

Théorie et codage de l information

Théorie et codage de l information Théorie et codage de l information Mesure quantitative de l information - Chapitre 2 - Information propre et mutuelle Quantité d information propre d un événement Soit A un événement de probabilité P (A)

Plus en détail

Problèmes de Mathématiques Filtres et ultrafiltres

Problèmes de Mathématiques Filtres et ultrafiltres Énoncé Soit E un ensemble non vide. On dit qu un sous-ensemble F de P(E) est un filtre sur E si (P 0 ) F. (P 1 ) (X, Y ) F 2, X Y F. (P 2 ) X F, Y P(E) : X Y Y F. (P 3 ) / F. Première Partie 1. Que dire

Plus en détail

Université Joseph Fourier MAT231 2008-2009

Université Joseph Fourier MAT231 2008-2009 Université Joseph Fourier MAT231 2008-2009 mat231-exo-03.tex (29 septembre 2008) Feuille d exercices n o 3 Exercice 3.1 Soit K un corps commutatif et soit {P 0, P 1,... P n } une famille de polynômes de

Plus en détail

Partie II. Supplémentaires d un sous-espace donné. Partie I. Partie III. Supplémentaire commun. MPSI B 8 octobre 2015

Partie II. Supplémentaires d un sous-espace donné. Partie I. Partie III. Supplémentaire commun. MPSI B 8 octobre 2015 Énoncé Dans tout le problème, K est un sous-corps de C. On utilisera en particulier que K n est pas un ensemble fini. Tous les espaces vectoriels considérés sont des K espaces vectoriels de dimension finie.

Plus en détail

CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.

CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES. CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

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

Le Déterminant. par Alain Prouté Université Denis Diderot Paris 7. 1 Permutations. 1. 2 Application transposée, base duale. 3. 3 Mesures de volume.

Le Déterminant. par Alain Prouté Université Denis Diderot Paris 7. 1 Permutations. 1. 2 Application transposée, base duale. 3. 3 Mesures de volume. Ce cours peut être librement copié et distribué. Il est recommandé d en télécharger la version la plus récente à partir de : http://www.math.jussieu.fr/~alp. Toute remarque, correction ou suggestion doit

Plus en détail

COR TD 2. Exercice 1. Déterminer si les applications f i suivantes sont linéaires : x + x, y + y )

COR TD 2. Exercice 1. Déterminer si les applications f i suivantes sont linéaires : x + x, y + y ) COR TD 2 Année 21 Exercice 1. Déterminer si les applications f i suivantes sont linéaires : f 1 : R 2 R 2 f 1 x, y = 2x + y, x y f 2 : R R f 2 x, y, z = xy, x, y f : R R f x, y, z = 2x + y + z, y z, x

Plus en détail

Notes de cours. Cours introductif sur la théorie des domaines. Modèles des langages de programmation Master Parisien de Recherche en Informatique

Notes de cours. Cours introductif sur la théorie des domaines. Modèles des langages de programmation Master Parisien de Recherche en Informatique Notes de cours Cours introductif sur la théorie des domaines Paul-André Melliès Modèles des langages de programmation Master Parisien de Recherche en Informatique 1 Ensembles ordonnés Definition 1.1 (ensemble

Plus en détail

Probabilités Loi exponentielle Exercices corrigés

Probabilités Loi exponentielle Exercices corrigés Probabilités Loi exponentielle Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : densité de probabilité Exercice 2 : loi exponentielle de paramètre

Plus en détail

2. MATRICES ET APPLICATIONS LINÉAIRES

2. MATRICES ET APPLICATIONS LINÉAIRES 2. MATRICES ET APPLICATIONS LINÉAIRES 2.1 Définition Une matrice n m est un tableau rectangulaire de nombres (réels en général) à n lignes et m colonnes ; n et m sont les dimensions de la matrice. Notation.

Plus en détail

Probabilités. Chapitre 2 : Le modèle probabiliste - Indépendance d évènements. Julian Tugaut. 15 janvier 2015

Probabilités. Chapitre 2 : Le modèle probabiliste - Indépendance d évènements. Julian Tugaut. 15 janvier 2015 Indépendance de deux évènements Chapitre 2 : Le modèle probabiliste - Indépendance d évènements 15 janvier 2015 Sommaire 1 Indépendance de deux évènements 2 Indépendance de deux évènements Approche intuitive

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

III- Raisonnement par récurrence

III- Raisonnement par récurrence III- Raisonnement par récurrence Les raisonnements en mathématiques se font en général par une suite de déductions, du style : si alors, ou mieux encore si c est possible, par une suite d équivalences,

Plus en détail

Espaces vectoriels. par Pierre Veuillez

Espaces vectoriels. par Pierre Veuillez Espaces vectoriels par Pierre Veuillez 1 Objectifs : Disposer d un lieu où les opérations + et se comportent bien. Déterminer des bases (utilisation de la dimension) Représenter les vecteurs grace à leurs

Plus en détail

Chapitre 3. Mesures stationnaires. et théorèmes de convergence

Chapitre 3. Mesures stationnaires. et théorèmes de convergence Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée

Plus en 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 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

UNIVERSITÉ DE CERGY Année 2012-2013 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques

UNIVERSITÉ DE CERGY Année 2012-2013 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques 1 UNIVERSITÉ DE CERGY Année 2012-201 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques Chapitre III : Polynômes 1 Fonctions polynômes & polynômes Définition 1. Soit

Plus en détail

5 Méthodes algorithmiques

5 Méthodes algorithmiques Cours 5 5 Méthodes algorithmiques Le calcul effectif des lois a posteriori peut s avérer extrêmement difficile. En particulier, la prédictive nécessite des calculs d intégrales parfois multiples qui peuvent

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

Construction de la mesure de Lebesgue. 1 Mesure positive engendrée par une mesure extérieure.

Construction de la mesure de Lebesgue. 1 Mesure positive engendrée par une mesure extérieure. Université d Artois Faculté des Sciences Jean Perrin Analyse Fonctionnelle (Licence 3 Mathématiques-Informatique Daniel Li Construction de la mesure de Lebesgue 28 janvier 2008 Dans ce chapitre, nous allons

Plus en détail

Sujet 4: Programmation stochastique propriétés de fonction de recours

Sujet 4: Programmation stochastique propriétés de fonction de recours Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction

Plus en détail

Primitives Cours maths Terminale S

Primitives Cours maths Terminale S Primitives Cours maths Terminale S Dans ce module est introduite la notion de primitive d une fonction sur un intervalle. On définit cette notion puis on montre qu une fonction admet une infinité de primitives

Plus en détail

Anneaux, algèbres. Chapitre 2. 2.1 Structures

Anneaux, algèbres. Chapitre 2. 2.1 Structures Chapitre 2 Anneaux, algèbres 2.1 Structures Un anneau est un ensemble A muni de deux opérations internes + et et d éléments 0 A et 1 A qui vérifient : associativité de l addition : commutativité de l addition

Plus en détail

Un tout petit peu d homotopie

Un tout petit peu d homotopie Vincent Beck On note I = [ 0, 1 ]. Un tout petit peu d homotopie 0.1 Homotopie Définition 1 Applications homotopes. Soient X, Y deux espaces topologiques et f, g : X Y deux applications continues. On dit

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

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. 1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le

Plus en détail

Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques

Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques (605) GESTION DE STOCK À DEMANDE ALÉATOIRE Résumé : Chaque mois, le gérant d un magasin doit

Plus en détail

le triangle de Pascal - le binôme de Newton

le triangle de Pascal - le binôme de Newton 1 / 51 le triangle de Pascal - le binôme de Newton une introduction J-P SPRIET 2015 2 / 51 Plan Voici un exposé présentant le triangle de Pascal et une application au binôme de Newton. 1 2 3 / 51 Plan

Plus en détail

Corrigé de l examen partiel du 19 novembre 2011

Corrigé de l examen partiel du 19 novembre 2011 Université Paris Diderot Langage Mathématique (LM1) Département Sciences Exactes 2011-2012 Corrigé de l examen partiel du 19 novembre 2011 Durée : 3 heures Exercice 1 Dans les expressions suivantes, les

Plus en détail

TD 4 : HEC 2001 épreuve II

TD 4 : HEC 2001 épreuve II TD 4 : HEC 200 épreuve II Dans tout le problème, n désigne un entier supérieur ou égal à 2 On dispose de n jetons numérotés de à n On tire, au hasard et sans remise, les jetons un à un La suite (a, a 2,,

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

MULTIPLICATION RAPIDE : KARATSUBA ET FFT

MULTIPLICATION RAPIDE : KARATSUBA ET FFT MULTIPLICATION RAPIDE : KARATSUBA ET FFT 1. Introduction La multiplication est une opération élémentaire qu on utilise évidemment très souvent, et la rapidité des nombreux algorithmes qui l utilisent dépend

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

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

Principe des tests statistiques

Principe des tests statistiques Principe des tests statistiques Jean Vaillant Un test de signification est une procédure permettant de choisir parmi deux hypothèses celles la plus probable au vu des observations effectuées à partir d

Plus en détail

Le théorème du point xe. Applications

Le théorème du point xe. Applications 49 Le théorème du point xe. Applications 1 Comme dans le titre de cette leçon, le mot théorème est au singulier, on va s'occuper du théorème du point xe de Picard qui a de nombreuses applications. Le cas

Plus en détail

Applications linéaires

Applications linéaires Bibliothèque d exercices Énoncés L1 Feuille n 18 Applications linéaires 1 Définition Exercice 1 Déterminer si les applications f i suivantes (de E i dans F i ) sont linéaires : f 1 : (x, y) R (x + y, x

Plus en détail

Théorie et codage de l information

Théorie et codage de l information Théorie et codage de l information Les codes de Hamming et les codes cycliques - Chapitre 6 (suite et fin)- Les codes de Hamming Principe La distance minimale d un code linéaire L est le plus petit nombre

Plus en détail

Terminale S Spécialité Cours : DIVISIBILITE ET CONGRUENCES DANS.

Terminale S Spécialité Cours : DIVISIBILITE ET CONGRUENCES DANS. A la fin de ce chapitre vous devez être capable de : connaître différents procédés pour établir une divisibilité : utilisation de la définition, utilisation d identités remarquables, disjonction des cas,

Plus en détail

2.4 Représentation graphique, tableau de Karnaugh

2.4 Représentation graphique, tableau de Karnaugh 2 Fonctions binaires 45 2.4 Représentation graphique, tableau de Karnaugh On peut définir complètement une fonction binaire en dressant son tableau de Karnaugh, table de vérité à 2 n cases pour n variables

Plus en détail

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

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1 [http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1 Relations binaires Relations d équivalence Exercice 1 [ 02643 ] [Correction] Soit R une relation binaire sur un ensemble E à la fois réflexive

Plus en détail