GRANDES DÉVIATIONS ET CONCENTRATION CONVEXE EN TEMPS CONTINU ET DISCRET
|
|
- Patrick Leroux
- il y a 8 ans
- Total affichages :
Transcription
1 THÈSE DE DOCTORAT de l UNIVERSITÉ DE LA ROCHELLE Discipline : Mathématiques Spécialité : Probabilités Présentée par Yutao MA pour obtenir le grade de DOCTEUR de l UNIVERSITÉ DE LA ROCHELLE. Titre de la thèse : GRANDES DÉVIATIONS ET CONCENTRATION CONVEXE EN TEMPS CONTINU ET DISCRET soutenue publiquement le 25 Janvier 27 devant le jury composé de : M. Patrick CATTIAUX (Université de Paris X) - Président M. Quan-sheng LIU (Université de Bretagne-Sud) -Examinateur M. Nicolas PRIVAULT (Université de Poitiers) - Directeur de thèse M. Alain ROUAULT (Université de Versailles) - Rapporteur M. Feng-yu WANG (Université normale de Beijing, Chine) - Rapporteur M. Li-ming WU (Université de Clermont-Ferrand II) - Directeur de thèse
2
3 Résumé Cette thèse consiste en trois parties: principes de grandes déviations, inégalités de concentration convexe et inégalités fonctionnelles. Dans la première partie nous obtenons un principe de grandes déviations par rapport à la topologie τ pour les suites échangeables, et un principe de déviations modérées pour les fonctionnelles additives lipschitziennes des processus de Markov. Dans la deuxième partie nous généralisons la formule d Itô aux martingales progressives/rétrogrades. Par conséquent, nous obtenons des inégalités de concentration convexe pour des intégrales dirigées par des mesures aléatoires de Poisson et des mouvements browniens, des martingales normales, des processus symétriques stables ainsi que dans le modèle du gaz continu. Dans la troisième partie nous obtenons une inégalité FKG sur l espace de Wiener. Nous obtenons aussi une inégalité de trou spectral et une inégalité de concentration convexe pour les processus de naissance et de mort. Mots-clés: principe de grandes déviations, inégalité de concentration convexe, formule d Itô aux martingales progressives/rétrogrades, formule de Clark-Ocone, modèle du gaz continu, inégalité FKG, trou spectral, processus de naissance et de mort. Abstract This thesis consists of three parts, on the large deviation principle, on convex concentration inequalities and on functional inequalities. In the first part we obtain a large deviation principle for exchangeable sequence with respect to τ-topology and a moderate deviation principe for additive Lipschitzian functionals of Markov process. In the second part we generalize the Ito s formula to forward/backward martingales, and we obtain some convex concentration inequalities for the integrals with respect to Poisson random measure, Brownian motion, normal martingales, symmetric stable process, and also for the continuous gas model. In the third part we get a FKG inequality on classical Wiener space. We also prove spectral gap and convex concentration inequalities for birth-death process. Keywords: Large deviation principle, convex concentration inequality, Itô s formula for forward/backward martingale, Clark-Ocone formula, continuous gas, FKG inequality, spectral gap, birth-death process.
4 4
5 Remerciements Je tiens tout d abord à remercier Liming Wu pour l encadrement de mes études de Master en chine et de cette thèse de doctorat. Durant ces six années, il a été porteur d idées et de soutiens permanents sur les mathématiques et il m a aussi donné de nombreux de conseils et aides bénéfiques pour la vie courante. Je suis également redevable à Nicolas Privault pour sa direction de thèse. Durant ces trois années, j ai largement bénéficié de son encouragement dans mes choix, ainsi que de son aide pendant mes séjours en france. Nos discussions informelles m ont permis une plus grande réflexion sur le monde de la recherche et des publications. Je remercie très chaleureusement Alain Rouault et Feng-yu Wang les rapporteurs pour leurs suggestions constructives, ainsi que Patrick Cattiaux, Quan-sheng Liu qui me font l honneur de composer le jury. Mes remerciements s adressent aussi à l Ambassade de France en Chine pour m avoir accordé cette bourse en ces trois périodes. Merci à Magali Moreau, la responsable du service international à Poitiers, m a aidée à gérer toutes mes démarches administratives. Aldéric Joulin, Anthony Reveillac, Delphine David, Thomas Forget et Thomas Batard, m ont guidée attentivement dans mes loisirs et dans l apprentissage de la langue française qui est si particulière. Je leur témoigne toute mon amitié. Je n oublie pas non plus tous les membres du laboratoire de Mathématiques et Applications et de l Ecole Doctorale de l Université de La Rochelle, auxquels je témoigne ma profonde sympathie. Mille mercis à mes copines Liangzhen Lei, Xiaoqun Zhang et Jing Deng.
6 À mes parents et mon mari
7 Table des matières Introduction et résultats principaux 11.1 Chapitre 1: PGD pour des suites échangeables Chapitre 2: PDM pour des fonctionnelles lipschitziennes Chapitre 3: Inégalités de concentration convexe Chapitre 4: Domination convexe pour des intégrales stables Chapitre 5: Modèle du gaz continu Chapitre 6: Inégalité FKG sur l espace de Wiener Chapitre 7: Processus de naissance et de mort I Principes de grandes déviations 51 1 LDP for exchangeable sequences Introduction and Main result Preliminaries Several elementary lemmas General lower bound of large deviation Proof of the main result MDP for Lipschitzian functionals Introduction Motivation: to beat the irreducibility assumption Main result Proof of the main results Some preparations Proof of the results Applications: Two typical models Linear States Space Model(LSSM) Scalar Nonlinear state Space Model(SNSSM) II Inégalités de concentration convexe 83 3 Convex concentration inequalities 85 7
8 8 TABLE DES MATIÈRES 3.1 Introduction Notation Convex concentration inequalities for martingales Application to point processes Application to Poisson random measures Clark formula Normal martingales Appendix A convex domination principle Introduction Main result Proof of Theorem Forward-backward stochastic calculus Integrability of convex functions Proof of Theorem The model of continuous gas Introduction Main Results Proof of the theorems Stochastic domination III Inégalités fonctionnelles FKG inequality on the Wiener space Introduction Analysis on the Wiener space FKG inequality on the Wiener space The discrete case Spectral gap of birth-death process Introduction Representation of ( L) 1 Lip(ρ) Application to spectral gap convex concentration inequality Two classic examples Bibliographie 161
9
10 1 TABLE DES MATIÈRES
11 Chapitre Introduction et résultats principaux Cette thèse de Doctorat d Université a été élaborée sous la direction des professeurs Nicolas Privault et Liming Wu au sein du laboratoire de Mathématiques et Applications de l Université de La Rochelle. Elle a bénéficié d une bourse de l Ambassade de France en Chine sur une durée de trois ans. Elle est consacrée à l étude des principes de grandes déviations, de la concentration convexe, et des inégalités fonctionnelles. Nous présentons ici les éléments qui ont motivé cette étude ainsi qu un résumé des principaux résultats obtenus. Introduction La théorie du principe de grandes déviations (PGD en abrégé) trouve son origine dans les travaux de Donsker et Varadhan [31], I-IV(1975). Ainsi, depuis une vingtaine d années l obtention de principes de grandes déviations et le développement d outils théoriques ont bénéficié d un engouement soutenu jusqu à devenir une branche des probabilités, et ce grâce à la multitude de leurs applications possibles, que ce soit dans le domaine des mathématiques ou de la physique. Les inégalités fonctionnelles comprennent beaucoup de types d inégalités, par exemple les inégalité de Poincaré, inégalité de Sobolev logarithmiques, inégalité FKG etc.. Elles permettent des estimations effectives de queues de distributions. Ainsi elles apparaissent fréquemment en statistiques et en estimation a priori. Les inégalités de concentration convexe ont été premièrement introduites par Hoeffding dans [42] (1963). Puis elles ont été appliquées pour obtenir des estimations de queues de distribution et des inégalités fonctionnelles. Prenons deux exemples. Shao [84] (2) a démontré comment obtenir des inégalités classiques par les inégalités de concentration convexe, par exemple, l inégalité maximale de Rosenthal et l inégalité de Kolmogorov. Par ailleur, Bentkus [7] (24) a obtenu des estimations de queues de distributions pour 11
12 12 CHAPITRE. INTRODUCTION ET RÉSULTATS PRINCIPAUX martingales discrètes bornées. Dans la suite de cette partie introductive, nous présentons les résultats obtenus au cours de la préparation de cette thèse. Ils sont généralement présentés sous forme de projets d articles soumis à des revues internationales. Que le lecteur veuille bien excuser alors l utilisation de la langue anglaise. Ce chapitre comprend en outre un résumé en français de chacun de ces articles, en explicitant leur contenu et esquissant les démonstrations. Cette thèse comprend trois parties principales: principes de grandes déviations, inégalités de concentration convexe et inégalités fonctionnelles. La première partie traite du PGD dans les Chapitres 1 et 2. Dans un premier temps, au cours d un travail élaboré en collaboration avec Qiongxia Song et Liming Wu, nous avons établi un PGD pour les suites échangeables. Nous donnons des conditions suffisantes et nécessaires pour le PGD par rapport à la topologie τ, qui est telle que pour toute fonction f mesurable bornée et toute mesure µ, µ µ(f) est continue. Le deuxième chapitre est consacré à l étude du principe de déviations modérées pour les processus de Markov, traité en collaboration avec Qiongxia Song. Notre méthode repose sur celle de Wu dans [92]. Nous utilisons le théorème de perturbation analytique d opérateurs de Kato pour vérifier la condition C 2 régularité, qui donne le principe de déviations modérées pour les fonctionnelles additives lipschitziennes. Note que, dans notre travail, le processus de Markov n est pas nécessairement irréductible et nous remplaçons cette condition par la contractibilité du semigroupe. La deuxième partie, quant à elle, est une étude des inégalités de concentration convexe dans les Chapitres 3, 4, 5. Le troisième chapitre, élaboré en collaboration avec Thierry Klein et Nicolas Privault, concerne des inégalités de concentration convexe. Tout d abord nous généralisons la formule d Itô aux martingales progressives/rétrogrades. Considérant la somme d une martingale progressive et d une martingale rétrograde, nous obtenons des inégalités de concentration convexe pour cette somme. Par conséquent, nous obtenons des inégalités de concentration convexe pour les intégrales dirigées par un mouvement brownien et une mesure aléatoire de Poisson non nécessairement indépendants ainsi que pour les intégrales par rapport à des martingales normales. Puis nous appliquons la formule de Clark-Ocone pour obtenir des inégalités de concentration convexe pour les variables aléatoires de carré intégrable sur certains espaces probabilisés. Puis avec Aldéric Joulin, dans le Chapitre 4, nous considérons des processus α stables symétriques. Nous poursuivons les idées du Chapitre 3 pour obtenir des inégalités de concentration convexe pour les intégrales stochastiques browniennes et stables corrélées. C est le cas pour les sauts non-bornés et de variance infinie.
13 .1. CHAPITRE 1: PGD POUR DES SUITES ÉCHANGEABLES 13 Le cinquième chapitre est consacré au modèle du gaz continu. En appliquant de nouveau des idées du Chapitre 3, nous obtenons les inégalités de concentration convexe en espérance, pour la covariance et de type brownien pour la mesure de Gibbs du gaz continu. De plus, nous prouvons que la mesure de Gibbs est stochastiquement dominée par la mesure correspondante de Poisson. L objectif de la troisème partie est d étudier des inégalités fonctionnelles dans les Chapitres 6, 7. Dans le Chapitre 6, avec Nicolas Privault, nous prouvons une inégalité FKG sur l espace de Wiener classique. A l aide de la formule de Clark-Ocone et du calcul de Malliavin, nous donnons une nouvelle approche permettant d obtenir l inégalité FKG sur l espace de Wiener classique muni d une certaine relation ordre. Le dernier chapitre, en collaboration avec Wei Liu, est relative aux inégalités de trou spectral et de concentration convexe des processus de naissance et de mort. Nous considérons des processus de naissance et de mort de générateur L et de mesure invariante µ. Etant donnée une fonction ρ strictement croissante, définissons une norme lipschitzienne Lip(ρ) par rapport à ρ. D abord, nous obtenons une représentation de ( L) 1 Lip(ρ). Puis comme application, nous avons le trou spectral de L dans L 2 (µ). De plus, nous obtenons une inégalité de concentration convexe pour des martingales de saut pur et ensuite pour des fonctionnelles des processus de naissance et de mort..1 Principe de grandes déviations pour des suites échangeables par rapport à la topologie τ: conditions suffisantes et nécessaires Dans cette partie nous présentons les résultats que nous avons obtenus, en collaboration avec Qiongxia Song et Liming Wu, concernant un principe de grandes déviations pour des suites échangeables par rapport à la topologie τ. Ce travail est publié dans la revue Statistics and Probability Letters, 77(3), , 27. Soient (X k ) k une suite échangeable de variables aléatoires à valeurs dans un espace polonais E, c est-à-dire que (X, X 1,, X n ) a la même loi que (X σ(), X σ(1),, X σ(n) ) quelle que soit la permutation {σ (1),, σ (n) } de {1,, n}, n 1.
14 14 CHAPITRE. INTRODUCTION ET RÉSULTATS PRINCIPAUX Considérons les mesures empiriques (ou d occupation) L n := 1 n 1 δ Xk ( où δ désigne la mesure de Dirac en ), n 1, n k= qui sont des éléments aléatoires de M 1 (E) l espace des mesures de probabilité sur E muni de la σ-algèbre B(M 1 (E)) = σ(ν ν(f) f bb), où bb est l espace des fonctionnelles B-mesurables bornées. Les mesures empiriques du processus sont R n := 1 n 1 δ (Xk,X n k+1, ), n 1, k= et appartient à M 1 (E N ) l espace des mesures de probabilité sur E N muni de la σ-algèbre B(M 1 (E N )) = σ(q Q(F ) F bf N, N ), où F N = σ(x k ; k N). Par le théorème de de Finetti, la loi P de (X k ) k est un mélange des mesures produit homogènes, i.e., il existe une mesure de probabilité m sur M 1 (E) telle que P = ρ N dm(ρ). (.1.1) M 1 (E) Ainsi le PGD pour les suites échangeables se réduit certainement au cas indépendant et identiquement distribué comme le lecteur peut l imaginer. Toutefois cette réduction présente des difficultés, comme démontré dans [24], [26], [85], [91], [97]. Les suites échangeables sont appliquées aux statistiques de Bayes et aux statistiques de bootstrap, voir les travaux récents de Chen ([14]), Trashorras ([86]) et Chaganty ([13]). Le lecteur peut se référer à Aldous [1] (1985) pour d autres applications. Maintenant nous présentons les résultats qui ont motivé ce travail. De Acosta [26] (1995) a prouvé une bonne borne supérieure du PGD pour 1 n n k=1 X k avec une fonction convexe de taux qui, en général, n est pas exacte. Quand E est fini, le troisième auteur Wu [91] (1991) a obtenu le premier PGD complet pour R n et a trouvé que sa fonction de taux n était pas convexe (donc on ne pouvait pas utiliser le théorème de Ellis-Gartëner). Puis, ce sujet a été étudié avec succès par Dinwoodie et Zabell [32] (1992) et Daras [24] (1997) et Trashorras [85] (22). Par exemple, Daras [25] (22) a obtenu le PGD de R n par rapport à la topologie de la convergence faible quand E est compact. La motivation directe de ce travail est l article récent de Wu [98] (24), où les PGDs pour L n sur M 1 (E) et pour R n sur M 1 (E N ) par rapport à la topologie de la convergence faible ont été bien caractérisés par la compacité du support de m sous la topologie de la convergence faible. Dans cet article, nous allons caractériser le PGD correspondant par rapport à la topologie τ. La topologie τ sur M 1 (E) est la topologie la plus faible sur M 1 (E) telle que quelle que soit la fonction f bb, ν ν(f) est continue, où ν(f) := fdν. La limite projective de E
15 .1. CHAPITRE 1: PGD POUR DES SUITES ÉCHANGEABLES 15 la topologie τ sur M 1 (E N ), noté par τ p, est définie comme la topologie la plus faible telle que pour toute F bf N, Q Q(F ) est continue sur M 1 (E N ). Le résultat principal de cette partie est le théorème suivant et exprimé dans le langage de [3]: Théorème.1.1. Soit S τ le support topologique de la mesure m apparaissant dans (.1.1) par rapport à la topologie τ. Les propriétés suivantes sont équivalentes: (a) Quand n tend vers l infini, la loi de L n satisfait au PGD sur M 1 (E) par rapport à la topologie τ, avec certaine fonction de taux I : M 1 (E) [, + ]. (Convention: le PGD implique nécessairement que la fonction de taux est bonne ou τ-inf-compacte, i.e., [I L] est τ-compact, L R +.) (b) La loi de R n satisfait au PGD sur M 1 (E N ) par rapport à la topologie τ p avec la fonction de taux donnée par J(Q) := inf ρ S τ h sp (Q ρ N ), Q M 1 (E N ), (.1.2) où h sp (Q ρ N ) est l entropie relative spécifique de Q par rapport à ρ N, i.e., 1 lim n h sp (Q ρ N ) := h(q n [,n 1] ρ n ) si Q M1(E s N ) + sinon, (.1.3) où M s 1(E N ) est l espace des Q M 1 (E N ) qui sont stationnaires, Q [,n 1] est la loi des n premières coordonnés (X k ) k n 1 de E N sous Q, h(q [,n 1] ρ n ) est l entropie relative de Q [,n 1] par rapport à ρ n (voir (.1.5) pour la définition). (c) Le support S τ = supp τ (m) est τ-compact dans M 1 (E). Dans ce cas, la fonction de taux dans le PGD de partie (a) est donnée par I(ν) = inf ρ Sτ h(ν ρ), ν M 1 (E). (.1.4)
16 16 CHAPITRE. INTRODUCTION ET RÉSULTATS PRINCIPAUX où h(ν ρ) est l entropie relative de Kullback de ν par rapport à ρ, i.e., dν dν log E dρ h(ν ρ) := dρ, si ν << ρ dρ + sinon (.1.5) Remarque.1.2. Puisque S τ est compact par rapport à la topologie de la convergence faible quand il est τ-compact, nos PGDs dans parties (a) et (b) du Théorème.1.1 sont plus forts que ceux de [93]. Cette amélioration est utile car en pratique les observations sont discrètes Comparé avec [93], la nouvelle difficulté principale réside dans le fait que la topologie τ sur M 1 (E) n est pas métrisable et donc beaucoup d ingrédients techniques dans [93], n étant pas du tout valides, doivent être refaits ou adaptés. Heureusement, par le théoréme dans [81], (S τ, τ) est métrisable quand S τ est τ compact et en fait par (.1.1) les informations sur S τ sont suffisantes. Donc par des arguments classiques, nous avons établi un principe de grandes déviations. D autre part, le Lemme 1.2.3, qui permet de caractériser la compacité relative de S τ dans (M 1 (E), τ), joue un role clé pour la nécessité..2 Principe de Déviations modérées pour des fonctionnelles additives lipschitziennes des processus de Markov Ce travail, en collaboration avec Qiongxia Song, concernant un principe de déviations modérées pour des fonctionnelles lipschitziennes des processus de Markov, est publié dans la revue Acta Math. Sin. (série chinoise), 27 5(1): Les estimations de déviations modérées, comme les estimations de grandes déviations, trouvent leur origine en Statistiques. Elles offrent des estimations plus précises que le théorème de la limite centrale. Soit (X k ) k un processus de Markov sur (Ω, F, P). Posons L n := 1 n n k=1 δ X k, où δ x désigne la mesure de Dirac en x, et considérons la limite de P ν (L n (f) m(f) A n ), (.2.1) où m est la mesure invariante du processus de Markov (X n ) n, ν est la distribution initiale de X, f est une fonctionnelle lipschitzienne, A n est un ensemble borelien de R.
17 .2. CHAPITRE 2: PDM POUR DES FONCTIONNELLES LIPSCHITZIENNES 17 Quand A n = A pour tout n, (.2.1) est l estimation de grandes déviations, quand quelque soit n, A n = 1 n A, (.2.1) est le théorème de la limite centrale. Si A n = λ(n) n A, où < λ(n), λ(n), λ(n) n, (.2.1) devient l estimation de déviations modérées. Dans ce cas, (.2.1) peut être écrit comme ( ) n P ν λ(n) (L n(f) m(f)) A. Ainsi, elle est une estimation entre le théorème de la limite centrale et l estimation de grandes déviations. Dans les années récentes, il y a eu beaucoup de résultats du principe de déviations modérées. Pour le cas indépendant et identiquement distribué, il existe des résultats optimaux (voir [22], (1991) et [55], (1992)). Pour une étude systématique du principe de déviations modérées pour les martingales, voir, cf. Puhaliski, 1993 et Djellout, 21. Récemment, plus en plus de travaux sont réalisés pour le cas dépendant. Dans Gao [37] (1993), le principe de déviations modérées pour les processus Doeblin récurrent de Markov a été bien discuté. Ensuite en 1996 dans [38], il a établi un principe de déviations modérées pour les martingales et les processus aléatoires mélangeants. Wu, dans son article [91] (1995), a donné un principe de déviations modérées pour les fonctionnelles additives lipschitziennes du processus de Markov avec un trou spectral. Il a considéré des fonctionnelles dans les espaces bb, C b (E) et L 2 (E). Il a introduit la C 2 -régularité et prouvé que cette condition a été suffisante et nécessaire pour le principe de déviations modérées par le théorème de perturbation analytique d opérateurs de Kato. De Acosta, dans son travail [27] (1997), a obtenu la borne inférieure du principe de déviations modérées pour les mesures empiriques de la chaîne de Markov. Wu, dans son article [92] (21) a obtenu le principe complet de déviations modérées sous l hypothèse de récurrence exponentielle et puis Djellout et Guillin (22) ont relaxé cette condition. Tous les résultats précédents sont sous l hypothèse fondamentale que le processus de Markov est irréductible (à part pour quelques résultats de [92]). Mais, comme on voit, beaucoup de processus de Markov ne sont pas irréductibles. Nous allons présenter deux exemples typiques comme application. En fait, le but le plus direct de ce travail est de remplacer la condition d irréductibilité par la contractibilité du semigroupe. Soit (E, d) un espace polonais connexe par arc, i.e., il satisfait: d(x, y) = inf γ lim sup δ τ: τ δ i= n d(γ(t i ), γ(t i+1 )), où γ est une courbe continue connectant x et y (i.e., γ() = x, γ(1) = y) et τ est une partition, τ = { = t < t 1 < < t n = 1}, τ := max 1 i n γ(t i ) γ(t i 1 ). E est la
18 18 CHAPITRE. INTRODUCTION ET RÉSULTATS PRINCIPAUX σ-algèbre de Borel de (E, d). Nous désignons par M 1 (E) l espace des mesures de probabilité sur (E, E) et par be l espace des fonctionnelles mesurables bornées sur E. Pour une fonctionnelle mesurable f et une mesure µ, nous écrivons µ(f) = f, µ = E fdµ. Une fonction f : E R est dite une fonctionnelle lipschitzienne si f(x) f(y) f Lip := lim sup d(x,y)> d(x, y) Nous définissons un opérateur gradient sur E comme: f(x) := lim sup y x < +. f(x) f(y). d(x, y) Soit (Ω, F, (F k ) k, (X k ), (P x ) x E ) une chaîne de Markov de probabilité de transition P et P ν = E P xν(dx) pour une mesure initiale ν M 1 (E). Nous travaillons sous l hypothèse essentielle suivante: (H 1 ) P Lip < + ; N > et r [, 1) tels que P N f Lip r f Lip, quelle que soit la fonctionnelle lipschitzienne f. Il est facile de prouver que sous (H 1 ), P possède une mesure de probabilité unique invariante m telle que L := m(d(x, x )) <. Considérons (C Lip, ), l espace des fonctionnelles lipschitziennes sur (E, d) où la norme est définie comme = Lip + m( ). Nous étudions la déviation modérée de L n (f) sachant le processsus de Markov (X n ) n, où L n (f) a la représentation suivante: L n (f) = 1 n 1 f(x k ). (.2.2) n k= Le résultat principal de cette partie est le suivant: Théorème.2.1. Supposons que le noyau de transition P satisfait (H 1 ). Soit (λ(n)) n une suite positive satisfaisant: < λ(n), λ(n), λ(n) n. Si f : E R vérifie la condition: (C) f est lipschitzienne, f be et f(x)(1 + d(x, x)) c pour certain c >,
19 .2. CHAPITRE 2: PDM POUR DES FONCTIONNELLES LIPSCHITZIENNES 19 alors (i) P ν ( n[l n (f) m(f)] ) converge faiblement vers N(, σ 2 (f)) uniformément en ν B L quelque soit L L quand n tend vers l infini, où N(, σ 2 (f)) est la loi normale, B L := {ν M 1 (E)/ν(d(x, )) L} et σ 2 (f) est donnée par (ii) σ 2 (f) = m(f m(f)) m(p k f(f m(f))). (.2.3) k=1 ( P ν ( ) n [L λ(n) n(f) m(f)] ) satisfait au PGD uniformément en ν B L pour tout L L, de vitesse λ 2 (n) et de fonction de taux I f (r) = tout ensemble borelien A R, nous avons ( ) n lim sup λ 2 (n) log sup P ν ( n ν B L λ(n) [L n(f) m(f)] A) r2. Autrement dit, pour 2σ 2 (f) inf I f (z); z A et lim inf n ( λ 2 (n) log sup P ν ( ν B L ) n λ(n) [L n(f) m(f)] A) inf z A o I f(z). Nous suivons la méthode de Wu ([92]). D abord nous rappelons la définition de C 2 régularité, qui est suffisante et nécessaire d avoir le principe de déviations modérées et le théorème de la limite centrale. Posons Λ t ɛ = ɛ log exp(tx/ɛ)dµ i ɛ. R Définition.2.2. Nous disons que (µ i ɛ, i A) ɛ sont C 2 -régulières à droite (resp. à gauche) uniformément en A, si [Λ i ɛ] (t) Λ (t) uniformément pour i A et t [, δ] (resp. t [ δ, ]), où Λ () est interprétée comme la dérivée seconde à droite Λ +() := lim t +(Λ (t) Λ +())/t [resp. Λ ()]. Si elles sont C 2 régulières uniformément en A à droite et à gauche en même temps, nous disons qu elles sont C 2 -régulières uniformément en A. Puis définissons l opérateur de perturbation de P par P f (x, dy) = e f P (x, dy).
20 2 CHAPITRE. INTRODUCTION ET RÉSULTATS PRINCIPAUX Nous avons alors, par la formule de Feynman-Kac, (P f ) n g(x) = E x g(x n ) exp { n 1 } f(x k ). Donc soit µ ν ɛ la loi de L n (f) sous P ν avec ɛ = 1 n, la fonction Λν ɛ définie au-dessus est équivalente à 1 n log < ν, (P f ) n 1(x) >. Par conséquent, la C 2 régularité devient une propriété de l opérateur de perturbation P f. Nous vérifions que z P zf g est holomorphe bornée pour toute fonction lipschitzienne g. Puis appliquant le théorème de perturbation analytique d opérateurs de Kato à P f, nous finissons la preuve. La section suivante concerne deux exemples classiques comme application. k= Modèle d espace des états linéaires (MEEL) Le modèle (voir [63], Chap.1) est donné comme suivant: X = (X k ) k est un processus stochastique sur R d qui satisfait X k+1 = F X k + GW k+1, k. X est arbitraire, F est une matrice d d, et G est une matrice d p. (W k ) k sont variables aléatoires indépendantes et identiquement distribuées sur R p et indépendantes de X. Corollaire.2.3. Soit r sp (F ) := max{ λ /λ C est une valeur propre de F }. Supposons que r sp (F ) < 1, alors nous obtenuons le principe de déviations modérées pour toute fonctionnelle f satisfaisant la condition (C). Remarque.2.4. La mesure invariante m est la loi de X. Modèle d espace des états scalaires nonlinéaires (MEESN) Étudions le modèle non linéaire suivant dans R d (d 1): X (x) = x R d, X n+1 (x) = F (X n (x), W n+1 ), n, où (W n ) n est une suite de variables aléatoires à valeurs dans R k (k 1) indépendantes et identiquement distribuées, avec F : R d R k R d une fonction.
21 .3. CHAPITRE 3: INÉGALITÉS DE CONCENTRATION CONVEXE 21 Corollaire.2.5. Si F (x, w) F (y, w) r x y, r < 1, désigne une norme arbitraire dans R d. Alors le principe de déviations modérées est satisfait pour toute fonctionnelle f satisfaisant la condition (C). Remarque.2.6. La théorie classique demande toujours que la loi de (W n ) n soit intégrable et absolument continue par rapport à la mesure de Lebesgue. En fait, la continuité absolue est nécessaire pour l irréductibilité. Mais ici, nous posons seulement certaines hypothèses sur F dans les modèles MEEL et MEESN. Dès maintenant, nous nous tournons à la deuxième partie concernant les inégalités de concentration convexe..3 Inégalités de concentration convexe et calcul stochastique pour les martingales progressives/rétrogrades Ce travail est élaboré avec Thierry Klein et Nicolas Privault, et publié dans Electronic Journal of Probab., Vol 11, 26. En 1963, Hoeffding [42] a premièrement introduit l inégalité de concentration convexe pour les variables aléatoires de Bernoulli, i.e., pour toute fonction convexe φ, on a E[φ(S n )] E[φ(S n)], où S n = n k=1 X k est la somme de variables aléatoires (X k ) 1 k n indépendantes de Bernoulli de paramètre (p k ) 1 i n et Sn est une variable aléatoire binomiale B(n, p) où p est le moyen arithmétique de (p k ) 1 k n. Cette type d inégalité est très utile pour obtenir des estimations de queues de distributions comme démontré dans [42] (1963), et Bretagnolle [9] (1981) a donné une version fonctionnelle de ce résultat. Pinelis dans [73] (1994) et [74] (1998) a étudié un cas plus général où φ a été dans une famille plus grande. Shao [84] (2) a traité les variables négativement associées, et a montré comment obtenir quelques inégalités classiques, par exemple l inégalité maximale de Rosenthal et l inínégalité de Kolmogorov, par l inégalité de concentration convexe. Bentkus [7] (24) a utilisé les inégalités de concentration convexe pour obtenir des estimations de queues de distributions pour les martingales discrètes bornées. Klein dans sa thèse [53] (23) s est concentré sur les inégalités de concentration convexe. Il a prouvé des inégalités de concentration convexe pour les processus ponctuels à sauts positifs par le calcul stochastique. Dans cette section, nous généralisons les résultats de [53] à un cadre
Équation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailLa 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 détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détailThéorie de la Mesure et Intégration
Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY 2 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailEspérance 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 détailIntégrale de Lebesgue
Intégrale de Lebesgue L3 Mathématiques Jean-Christophe Breton Université de Rennes 1 Septembre Décembre 2014 version du 2/12/14 Table des matières 1 Tribus (σ-algèbres) et mesures 1 1.1 Rappels ensemblistes..............................
Plus en détailFonctions 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 détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailSéminaire 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 détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailThéorie de la mesure. S. Nicolay
Théorie de la mesure S. Nicolay Année académique 2011 2012 ii Table des matières Introduction v 1 Mesures 1 1.1 Sigma-algèbres................................. 1 1.2 Mesures.....................................
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailMESURE ET INTÉGRATION EN UNE DIMENSION. Notes de cours
MSUR T INTÉGRATION N UN DIMNSION Notes de cours André Giroux Département de Mathématiques et Statistique Université de Montréal Mai 2004 Table des matières 1 INTRODUCTION 2 1.1 xercices.............................
Plus en détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détail0 h(s)ds et h [t = 1 [t, [ h, t IR +. Φ L 2 (IR + ) Φ sur U par
Probabilités) Calculus on Fock space and a non-adapted quantum Itô formula Nicolas Privault Abstract - The aim of this note is to introduce a calculus on Fock space with its probabilistic interpretations,
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailThéorie de la Mesure et Intégration
Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 & UE LM365 Intégration 2 Année 2010 11 Théorie de la Mesure et Intégration Responsable des cours : Amaury LAMBERT
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailDéveloppement 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 détailCours3. Applications continues et homéomorphismes. 1 Rappel sur les images réciproques
Université de Provence Topologie 2 Cours3. Applications continues et homéomorphismes 1 Rappel sur les images réciproques Soit une application f d un ensemble X vers un ensemble Y et soit une partie P de
Plus en détailChapitre VI Fonctions de plusieurs variables
Chapitre VI Fonctions de plusieurs variables 6. 1 Fonctions différentiables de R 2 dans R. 6. 1. 1 Définition de la différentiabilité Nous introduisons la différentiabilité sous l angle des développements
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailAnalyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe
Analyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe des n n groupes quantiques compacts qui ont la théorie
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailThéorie des probabilités
Théorie des probabilités LAVOISIER, 2008 LAVOISIER 11, rue Lavoisier 75008 Paris www.hermes-science.com www.lavoisier.fr ISBN 978-2-7462-1720-1 ISSN 1952 2401 Le Code de la propriété intellectuelle n'autorisant,
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détail1 Définition et premières propriétés des congruences
Université Paris 13, Institut Galilée Département de Mathématiques Licence 2ème année Informatique 2013-2014 Cours de Mathématiques pour l Informatique Des nombres aux structures Sylviane R. Schwer Leçon
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailModule 7: Chaînes de Markov à temps continu
Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailFonctions holomorphes
Université Joseph Fourier, Grenoble Maths en Ligne Fonctions holomorphes Christine Laurent-Thiébaut Ceci est le second volet de l étude des fonctions d une variable complexe, faisant suite au chapitre
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
Plus en détail