Théorie de la Mesure et Intégration

Dimension: px
Commencer à balayer dès la page:

Download "Théorie de la Mesure et Intégration"

Transcription

1 Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY

2 2

3 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble Définitions Tribu engendrée, tribu image réciproque Exemples Produit d espaces mesurables La tribu borélienne Compléments : π-système, λ-système, classe monotone Mesure, espace mesuré Définitions Propriétés élémentaires, caractérisation d une mesure finie Prolongement d une mesure et applications Théorème de prolongement (Carathéodory) Mesure extérieure Application : la mesure de Borel Ensembles négligeables, tribu et mesure complétée Produit fini d une famille d espaces mesurés Applications mesurables Définition d une application mesurable Propriétés générales Propriétés des fonctions mesurables réelles Fonction à valeur dans R = [, + ] Transport d une mesure, mesure image Approximation d une fonction mesurable réelle

4 5 Théorie de la mesure et probabilités Introduction Exemples élémentaires Ensemble fini : Ω = {ω 1,...ω n } Cas d un ensemble infini dénombrable Ω = {ω i, i N} Probabilités conditionnelles, événements indépendants Variables aléatoires Variables aléatoires réelles Variables aléatoires, vecteurs aléatoires, indépendance 42 II Intégration 45 6 Intégration des fonctions mesurables positives Intégrale (supérieure) des fonctions étagées Intégrale d une fonction mesurable positive Propriété vraie presque partout Propriétés générales Théorème de transfert (changement de variable) Mesures définies par des densités Mesures absolument continues, étrangères Absolue continuité et densité Théorème de changement de variable, λ mesure de Lebesgue Caractérisation de la mesure produit, théorème de Fubini- Tonelli Intégration des fonctions mesurables quelconques Intégrale d une fonction mesurable Définitions L ensemble L Propriétés générales Premières propriétés, lemme de Fatou Théorème de la convergence dominée et applications Exemples Théorème de Fubini pour les fonctions mesurables quelconques Le théorème de Fubini Exemples La convolution Convolution de deux mesures

5 7.4.2 Convolution d une fonction et d une mesure, de deux fonctions Exemples Théorie de l intégration et probabilités Espérance et moments Espérance Moments Covariance et corrélation Propriétés des moments Inégalités Variable aléatoire réelle (vecteur aléatoire) et densité Retour sur l indépendance III Compléments 77 9 Les espaces L p et L p, p N +{ } Définitions des espaces L p Les espaces L p, p N Les espaces L, L Propriétés des espaces L p, 1 p p est une norme Complétude des espaces L p Autres propriétés Dual des espaces L p Quelques résultats d analyse fonctionnelle dans L 1 (R, B R, λ) La transformée de Fourier Définitions Propriétés générales Exemples Propriétés générales X = R d : théorèmes d injectivité et d inversion Théorème d injectivité Théorème d inversion Propriétés analytiques (sur R) Transformée de Fourier dans L 1 : propriétés analytiques Transformée de Fourier dans L

6 Index 93 6

7 Introduction H. Lebesgue est généralement considéré comme le père de la théorie moderne de l intégration. Sa définition de fonction intégrable reste la plus satisfaisante à ce jour. On doit cependant également citer trois mathématiciens qui ont aidé Lebesgue à formuler son intégrale. Les deux premiers sont G. Peano et C. Jordan : G. Peano a défini le premier les notions de mesure intérieure et extérieure, tandis que C. Jordan est le premier à intégrer sur des ensembles distincts d intervalles, appelés ensembles Jordan-mesurables. Le troisième est le mathématicien E. Borel, qui définit les notions de tribus (boréliennes) et de mesures de Borel. C est la première apparition de mesures σ-finie sur un espace mesurable (et non une algèbre). Pourquoi H. Lebesgue a-t-il eu besoin de toutes ces notions? D ou viennent les notions de tribus, de mesure extérieure? Une réponse est la résolution du problème de Lebesgue, que nous aborderons rapidement. Nous discuterons ensuite brièvement des différences fondamentales entre intégrale de Riemann et intégrale de Lebesgue, avant d aborder le domaine des probabilités. Le cours sera ensuite divisé en 2 grandes parties : la théorie de la mesure, théorie abstraite qui sera ensuite appliquée à une nouvelle théorie de l intégration : l intégrale de Lebesgue. 7

8 Le problème de Lebesgue L objectif de Lebesgue est le suivant : tenter de généraliser la notion de longueur (aire, volume,...) à une famille de parties plus grandes que les intervalles (pavés). Plus précisément, il cherche une fonction vérifiant les 3 propriétés suivantes : invariance par translation σ-additivité λ( i I normalisation A i ) = i I λ : P(R n ) [0, + ] v R n, λ(a + v ) = λ(a) λ(a i ), I dénombrable, A i disjoints λ([0, 1] n ) = (Vitali) : le problème de Lebesgue n a pas de solution : il faut affaiblir les hypothèses. Deux solutions sont apportées. Elles conduisent à deux notions différentes de mesure : on demande seulement la σ-sous-additivité λ( i I A i ) i I λ(a i ), I dénombrable Une solution unique appelée mesure extérieure. On travaille sur un sous-ensemble B de P(R n ) : Une solution unique sur la tribu des boréliens appelée mesure de Borel ou mesure de Lebesgue (cette dernière étant en fait la mesure sur la tribu complétée). Intégrale de Riemann, intégrale de Lebesgue Concernant l intégration, l idée de Lebesgue est la suivante : plutôt que de définir les fonctions horizontalement par f(t), il définit les fonctions verticalement par f 1 (x). L intégrale est alors une somme sur les valeurs et non sur le support. 8

9 f(i) Riemann discret i [1,n] contre x.card(f 1 (x)) Lebesgue discret x R Les principales différences entre les deux intégrales sont alors les suivantes : Riemann mesure des intervalles A A Lebesgue mesure des boréliens B B A 1 A fonctions en escalier B 1 B fonctions étagées limite uniforme limite simple dominée fonctions réglées ( 0) fonctions mesurables ( 0) Mesures et probabilités La théorie des probabilités est une branche des mathématiques qui permet de modéliser les phénomènes aléatoires. Celle-ci repose sur une formalisation développée par le mathématicien russe Kolmogorov dans les années Son axiomatique repose sur les notions de tribu et de mesure développées par Borel dans les années La théorie de l intégrale de Lebesgue développée à la même époque a permis d asseoir en toute généralité la notion de moment d une variable aléatoire. Nous aborderons les relations entre la théorie de la mesure et de l intégration et la théorie des probabilités à la fin de chaque chapitre de ce cours. 9

10 10

11 Première partie Théorie de la mesure 11

12

13 Chapitre 1 Algèbres et tribus de parties d un ensemble Dans toute la suite, X sera un ensemble quelconque non vide. On note alors P(X) l ensemble des parties de l ensemble X. 1.1 Définitions Définition (algèbre de Boole, ou de parties de X) A P(X) est une algèbre (de Boole) si pour tout A, B A : 1. {, X} A 2. A c = X\A A 3. A B A 4. A B A C est une semi-algèbre (notée S) si les conditions 1) et 3) sont vérifiées et que le complémentaire d un élément de S est réunion finie d éléments de S. On remarquera que certaines de ces conditions sont redondantes. Ainsi, par passage au complémentaire, si A contient l ensemble vide elle contient X et réciproquement. De même, 2) et 3) implique 4) et 2) et 4) implique 3). Remarque L algèbre A engendrée par une semi-algèbre est constituée des réunions finies de parties de S. Définition (σ-algèbre ou tribu) A P(X) est une tribu (sur X) si c est une algèbre stable par réunion dénombrable croissante. 13

14 Remarque Une tribu est alors stable par réunion dénombrable et intersection dénombrable. Définition (Espace mesurable) Un ensemble X muni d une tribu A P(X) est appelé espace mesurable et noté (X, A). 1.2 Tribu engendrée, tribu image réciproque Proposition ) Toute intersection quelconque de tribus est une tribu. 2) Une réunion finie de tribus n est pas forcément une tribu. Preuve - 1) Soit (A i ) i I une famille de tribus. Montrons que i I A i est une tribu : (1) : i I, X A i, donc X i I A i (2) : soit A i I A i.alors i I, A A i donc i I, A c A i, et finalement A c i I A i. (3) : soit (A n ) n N une famille d éléments de i I A i. Alors n N, i I, A n A i, soit i I, A n A i et A n A i. n N n N i I 2) Soit X = {a, b, c}. Alors A a = {φ, {a}, {b, c}, X} et A b = {φ, {b}, {a, c}, X} sont des tribus. Mais A a A b = {φ, {a}, {b, c}, {b}, {a, c}} n est pas une tribu, car {a, b} = {a} {b} / A a A b. On en déduit la proposition suivante qui définit la notion de tribu engendrée : Proposition (tribu engendrée) Soit M P(X). L intersection de toutes les tribus contenant M est une tribu appelée tribu engendrée par M et notée σ(m). C est la plus petite tribu contenant M. Cette proposition tient lieu de définition. Il est également possible de transporter une tribu par image réciproque d une fonction quelconque. Cette propriété vient de la compatibilité entre les opérations ensemblistes et la fonction d ensemble image réciproque : 14

15 1. f 1 (A c ) = f 1 (A) c 2. f 1 (A B) = f 1 (A) f 1 (B) 3. f 1 (A B) = f 1 (A) f 1 (B) De telles relations sont bien évidemment fausses concernant l image directe. Théorème (tribu image réciproque) Soit Y un ensemble, (X, A) un espace mesurable et f : Y X une application. Alors 1. f 1 (A) = {f 1 (A), A A} est une tribu sur Y appelée tribu image réciproque par f (ou tribu engendrée par f) 2. (lemme de transport) M P(X), f 1 (σ(m)) = σ(f 1 (M)). Ce théorème tient lieu de définition. Preuve - 1) Montrons que B = f 1 (A) est une tribu. i- f 1 (X) = Y B. ii- A, B A, f 1 (A B) = f 1 (A) f 1 (B) donc B est stable par intersection fini. iii- A A, f 1 (A c ) = ( f 1 (A) ) c donc B est stable par passage au complémentaire. iv- f 1 ( n N A n ) = n N f 1 (A n ) donc B est stable par union dénombrable. Finalement, B = f 1 (A) est une tribu. 2) Soit M P(X). Nous allons montrer les deux inclusions : f 1 (σ(m)) est une tribu (cf point 1)) qui contient f 1 (M) donc σ(f 1 (M) f 1 (σ(m)). Posons R = {A σ(m), f 1 (A) σ(f 1 (M))}. Il est facile de voir que R est une tribu et que R contient M. On en déduit que σ(m) R ce qui implique f 1 (σ(m) σ(f 1 (M)). Finalement (σ(f 1 (M)) f 1 (σ(m)) σ(f 1 (M) et on a l égalité recherchée. 1.3 Exemples 1. L ensemble des pavés (produits d intervalles (a 1, b 1 ),..., (a p, b p )) de R p est une semi-algèbre. 15

16 2. σ( ) = {, X} est une algèbre appelée algèbre triviale (ou grossière : c est la plus petite des tribus sur X). 3. P(X) appelée tribu discrète (c est la plus grosse des tribus). 4. {A P(X), A ou A c fini} est une algèbre mais pas une tribu. 5. Soit X = {a, b, c} un ensemble formé de trois points distincts. Alors la classe de parties de X définie par τ a = {φ, {a}, {b, c}, X} est une tribu. 6. σ( ouverts de R n ) = B tribu des boréliens. Remarque (importante) Une erreur fréquente est de croire que si A A et que B A, alors B A. C est faux comme le prouve l exemple de la tribu τ a où {b, c} τ a mais {b} / τ a, même si {b} {b, c}. 1.4 Produit d espaces mesurables Définition (produit de deux espaces mesurables) Soient (X i, A i ), i = 1, 2 deux espaces mesurables : on appelle tribu produit sur X 1 X 2 la tribu A 1 A 2 engendrée par les parties {A 1 A 2, A i A i, i = 1, 2}. L espace mesurable (X 1 X 2, A 1 A 2 ) est appelé espace mesurable produit. Définition (produit d une famille d espaces mesurables) Soient (X i, A i ), i I une famille d espaces mesurables : on appelle tribu produit sur Π X i la tribu A i engendrée par les parties i I i I { Π A i, A i A i i I et A i = X i sauf pour un nombre fini }. i I L espace mesurable ( Π X i, A i ) est appelé espace mesurable produit. i I i I 1.5 La tribu borélienne Définition (tribu borélienne) Soit X un espace topologique. La tribu engendrée par les ouverts de X s appelle la tribu borélienne. Proposition Sur X = R p la tribu borélienne est engendrée par : les ouverts les fermés les pavés 16

17 la démonstration de cette proposition est laissée en exercice. On peut notamment se servir des résultats qui suivent. Les questions de dénombrabilité interviennent naturellement dans la théorie des espaces mesurables boréliens, comme le montrent les propositions suivantes : Proposition Soit X un espace topologique et (X n ) une famille dénombrable de boréliens de réunion X. Alors A B(X) n, A X n B(X n ) Preuve - L implication est directe car l ensemble A = {A P(X), A X n B(X n )} est une tribu contenant les ouverts de X donc la tribu engendrée par les ouverts i.e. la tribu borélienne. Pour la réciproque, notons B n = {A X n, A B(X)}. C est une tribu sur X n contenant les ouverts de X n (intersection d ouverts de X avec X n par définition), donc B(X n ) B n. Soit A A. Alors A X n B n B(X) et comme A = n N A X n, A est borélien comme union dénombrable de boréliens. Remarque Cette caractérisation des boréliens est très importante puisqu elle permet d étendre des résultats vrais sur les (X n, B(X n )) a l espace mesurable (X, B(X)) tout entier. Le cas X = [0, + [, X n = [n, n + 1[ est un exemple important. Dans le cas d espaces topolgiques à base dénombrable d ouverts (i.e. tels qu il existe une famille dénombrable d ouverts engendrant tous les ouverts de X), on peut caractériser les boréliens uniquement à partir de cette base : Lemme Si X admet une base dénombrable d ouverts, sa tribu borélienne est engendrée par cette base. Preuve - Soit A la tribu engendrée par cette base. Elle contient alors les réunions dénombrables des ouverts de la base et donc par définition, tous les ouverts. Finalement, elle contient la tribu borélienne. Réciproquement, la tribu borélienne contient la base d ouverts donc A, et les deux tribus coïncident. 17

18 Remarque Si O 1 et O 2 sont deux bases dénombrables d ouverts de X 1 et X 2, alors O 1 O 2 est une base dénombrable d ouverts de X 1 X 2 Théorème Soient X i, i = 1, 2 deux espaces topologiques à base dénombrable d ouverts. Alors la tribu produit des tribus boréliennes B 1 B 2 est la tribu borélienne de X 1 X 2 muni de la topologie produit. Preuve - Soient τ 1 et τ 2 les topologies (ou ouverts) de X 1 et X 2. Posons A 1 = {A P(X 1 ), A τ 2 B(X 1 X 2 )}. C est une tribu contenant τ 1 donc B(X 1 ) τ 2 B(X 1 X 2 )}. Posons alors A 2 = {A P(X 2 ), B(X 1 ) A B(X 1 X 2 )}. C est une tribu contenant τ 2 (d après le résultat précédent) donc B(X 1 ) B(X 2 ) B(X 1 X 2 )} puis par passage a la tribu engendrée, B(X 1 ) B(X 2 ) B(X 1 X 2 )}. - Montrons maintenant l inclusion inverse : Si O 1 et O 2 sont deux bases dénombrables d ouverts de X 1 et X 2, alors O 1 O 2 est une base dénombrable d ouverts de X 1 X 2 et σ(o 1 O 2 ) σ(o 1 ) σ(o 2 ). Finalement on conclut grâce au lemme précédent. On a prouvé au passage que la tribu produit est toujours (même sans l hypothèse de dénombrabilité) incluse dans la tribu borélienne de X 1 X Compléments : π-système, λ-système, classe monotone Il est souvent intéressant de travailler sur des familles plus simples que des tribus, et les notions suivantes seront donc utiles dans la suite : Définition (π-système) Un π-système est une famille de parties de X stable par intersection finie et contenant X. Exemple π = {], x], x R} est un pi-système très utile (cf. fonctions de répartitions). Définition (λ-système) Un λ-système est une famille de parties de X stable par différence et limite croissante( (réunion dénombrable croissante). Définition (classe monotone) Une classe monotone est une famille de parties de X stable par union (resp. intersection) dénombrable croissante (resp. décroissante). 18

19 Proposition π-système et λ-système tribu. 2. algèbre et classe monotone tribu. 3. (lemme de Dynkin, ou théorème λπ) Tout λ-système contenant un π-système contient la tribu engendrée par ce dernier. 4. (théorème de la classe monotone) Toute classe monotone contenant une algèbre contient la tribu engendrée par cette dernière. Preuve - La démonstration des deux premières équivalences est laissée en exercice. [lemme de Dynkin] - Soit λ(π) le λ-système engendré par π (c est l intersection de tous les λ-systèmes contenant π). Alors λ(π) σ(π) car une tribu est un λ-système. Montrons que λ(π) est une tribu, i.e. est stable par intersection fini (d après 1)). On définit l ensemble A 1 = {A λ(π), A B λ(π) B π}. C est un λ-système contenant π donc λ(π) A 1. Soit maintenant A 2 = {A λ(π), A B λ(π) B λ(π)}. C est un λ-système contenant π d après le résultat précédent donc λ(π) A 2. Finalement λ(π) = σ(π). [théorème de la classe monotone] - Soit M(A) la classe monotone engendrée par A (c est l intersection de toutes les classes monotones contenant A). Alors M(A) σ(a) car une tribu est une classe monotone. Montrons que M(A) est une tribu, i.e. est une algèbre (d après 2)). On définit l ensemble A = {A M(A), A c M(A)}. C est une classe monotone contenant A donc M(A) A et M(A) est stable par passage au complémentaire. Soit A 1 = {A M(A), A B M(A) B A}. C est une classe monotone contenant A donc M(A) A 1. Soit A 2 = {A M(A), A B M(A) B M(A)}. C est une classe monotone contenant A d après le résultat précédent donc M(A) A 2 et M(A) est stable par union finie. Finalement M(A) = σ(a). 19

20 20

21 Chapitre 2 Mesure, espace mesuré 2.1 Définitions Contrairement a l intuition (et au vocabulaire), la définition d une mesure est au départ relative à un espace X muni d une algèbre A et non à un espace mesurable. Cependant, et ce sera l objet du prochain chapitre, il sera toujours possible d étendre univoquement une mesure (σ-finie) à la σ-algèbre engendrée par A, et donc de parler de mesure sur un espace mesurable. Définition (Mesure sur une algèbre, espace mesuré) On appelle mesure sur l algèbre A toute fonction µ : A R + = [0, + ] non constante avec + et σ-additive : pour toute famille dénombrable A n d éléments de A deux à deux disjoints telle que n A n A, µ( n A n ) = n µ(a n ) L espace (X, A, µ) est appelé espace mesuré. Remarque Un espace mesuré n est donc pas pour l instant obligatoirement mesurable. Nous verrons cependant qu il pourra toujours être considéré comme tel grâce au théorème de prolongement. Définition La mesure est finie (ou bornée) si µ(x) < Elle est σ-finie si X est réunion dénombrable d ensembles de mesure finie. On appelle mesure de probabilité (ou simplement probabilité) toute mesure vérifiant µ(x) = 1. 21

22 Il est toujours possible de construire une mesure (sur une algèbre) à partir d une fonction d ensemble σ-additive sur une semi-algèbre : Lemme Soit S une semi-algèbre et µ : S [0, + ] une fonction σ- additive. Alors µ se prolonge de manière unique en une mesure sur l algèbre engendrée par S. Preuve - Par additivité, le seul prolongement possible est n µ( A i ) = i=1 n µ(a i ) i=1 On vérifie aisément que c est bien une mesure sur l algèbre engendrée par S (composée des réunions finies d éléments de S). 2.2 Propriétés élémentaires, caractérisation d une mesure finie Toute mesure µ vérifie les propriétés suivantes : Proposition µ( ) = (σ-sous-additivité) µ( n N A n ) n N µ(a n ). 3. (monotonie) Si A B, A, B A alors µ(a) µ(b). 4. (continuité) Si A n A A, µ(a n ) µ(a). Remarque Nous verrons que cette dernière propriété caractérise les mesures. Preuve - 1. Une mesure n est pas constante égale à + donc il existe A, µ(a) < +. De µ(a) = µ(a ) = µ(a) + µ( ) on déduit µ( ) = On écrit : + n=1 A n = + n=1 ( A n \ n 1 k=1 A k ) 22

23 avec la convention : 0 A k = φ. Alors : k=1 ( + ) µ A n = n=1 + n=1 µ ( A n \ n 1 k=1 A k ) + n=1 µ (A n ). 3. De B = A B\A, on déduit : µ(b) = µ(a) + µ(b\a) µ(a). 4. On construit la suite (B n ) n 1 selon : Alors pour tout n 1, et donc B 1 = A 1 B n = A n \A n 1 pour n 2 + n=1 A n = A n = n k=1 B k + B k Comme les B n sont deux à deux disjoints par construction, on a : ( + ) ( + ) + µ A n = µ B k = µ(b k ) n=1 = lim k=1 n n k=1 Théorème Une fonction k=1 k=1 µ(b k ) = lim n µ µ : A R + = [0, + ] ( n k=1 B k ) = lim n µ (A n) non égale à + et additive est une mesure si et seulement si elle vérifie la propriété de continuité croissante : A n A A µ(a n ) µ(a) Preuve - Nous avons déjà vu que toute mesure vérifie cette propriété. La n réciproque est évidente car si B n est une suite d ensemble disjoints, B i B n et la continuité croissante entraîne la σ-additivité. n N Il existe de plus une caractérisation très utile des mesures finies : 23 i=1

24 Théorème Soit µ : A [0, + ] telle que : 1. (finitude) µ(x) < (additivité) A, B A, A B =, µ(a B) = µ(a) + µ(b). 3. (Condition de Carathéodory) A n µ(a n ) 0. Alors µ est une mesure (finie par hypothèse) et réciproquement, toute mesure finie vérifie ces trois propriétés. Preuve - Pour la première partie du théorème, il nous faut montrer la σ- additivité de µ. Soit B i une famille dénombrable d ensembles de A deux à deux disjoints telle que B = + n B i A. Posons A n = B i = B\ B i. La suite A n i N décroît vers 0 donc µ(b\ i=1 par hypothèse (3). Mais d après (2) i=1 i=n+1 n B i ) 0 n + n n n µ(b) = µ([b\ B i ] [ B i ]) = µ(b\ B i ) + i=1 i=1 et la condition de carathéodory implique la σ-additivité µ(b) = + i=1 µ(b i ) i=1 n µ(b i ) Réciproquement, soit µ une mesure finie et A n. La continuité croissante implique µ(x\a n ) µ(x). Mais i=1 µ(x) = µ([x\a n ] [A n ]) = µ(x\a n ) + µ(a n ) et comme toutes les quantités sont finies, on a µ(a n ) = µ(x) µ(x\a n ) 0. 24

25 Chapitre 3 Prolongement d une mesure et applications 3.1 Théorème de prolongement (Carathéodory) Théorème (de prolongement (admis)) Toute mesure σ-finie sur une algèbre A se prolonge de manière unique en une mesure (σ-finie) sur σ(a). La démonstration de ce théorème est hors programme. Cependant la notion de mesure extérieure est intéressante et est donc donnée ici. Le lemme d égalité des mesures est quant à lui fondamental. 3.2 Mesure extérieure Afin de prouver le théorème, on définit la mesure extérieure d une mesure µ : Définition (mesure extérieure de µ) Soit µ une mesure sur une algèbre A X. Alors µ : P(X) [0, + ] A µ (A) = inf µ(a n ) {A A n n, A n A} est appelée mesure extérieure de µ sur X. Une partie A X sera dite µ -mesurable si E P(X), µ (E) = µ (E A) + µ (E A c ) n 25

26 Remarquons que µ prolonge µ sur A : Lemme A A, µ (A) = µ(a) Preuve - Soit A n un recouvrement quelconque de A (A n A n, A n A). Alors µ(a) = µ( (A A n ) µ(a A n ) µ(a n ) par σ-additivité n N n N n N et monotonie. donc µ(a) µ (A). De plus, la famille A 1 = A, A 2 = A 3 =... = est un recouvrement de A donc µ (A) µ(a n ) = µ(a) et l égalité est prouvée. n N Proposition µ est monotone et σ-sous-additive. Preuve - monotonie Soit A B. Alors tout recouvrement de B recouvre A et µ (A) µ (B) croissance Soit {A n, n N} une famille dénombrable et soit ɛ > 0 fixé. Alors Comme A n N, (B n k ) A, (k,n) N 2 B n k on a µ(bk n ) µ (A n ) + ɛ2 n k N µ (A) µ(bk n ) µ (A n ) + ɛ (k,n) N 2 n N et ɛ étant arbitraire, on obtient la σ-sous-additivité. Cette propriété des mesures extérieures associées aux mesures classiques peut d ailleurs servir de définition : Définition (mesure extérieure) Une application Φ : P(X) [0, + ] est appelée mesure extérieure si : 1. Φ ( ) = (σ-sous-additivité) Φ ( A n ) Φ (A n ). n N n N 3. (monotonie) A, B A, A B Φ (A) Φ (B). 26

27 Le théorème de prolongement est alors une conséquence directe des lemmes suivants : Lemme (lemme d égalité des mesures) Deux mesures sur (X, A) espace mesurable égales sur un π-système π A et σ-finies sur π sont égales sur σ(π). Preuve - Soit R = {A A, µ 1 (A) = µ 2 (A)}. Alors R contient π par hypothèse. Il suffit alors de montrer que R est un λ-système pour prouver le lemme en vertu du lemme de Dynkin. - Si µ 1 est finie alors µ 2 est finie car X π et l égalité µ(a\b) = µ(a) µ(b) vraie pour les mesures finies prouve que R est stable par différence. Si A n est une suite croissante d éléments de R de limite A, µ 1 (A) = lim µ 1 (A n ) = lim µ 2 (A n ) = µ 2 (A) - On suppose maintenant que µ 1 est σ-finie sur π, i.e. {π n }, µ 1 (π n ) < + n et (π n ) = X. n N Alors on peut appliquer le résultat precedent (lemme d égalité des mesures finies) aux espaces mesurables (π n, A π n ) ce qui prouve que les mesures µ 1 et µ 2 sont égales sur σ πn (π π n ). On montre (exercice) l égalité suivante : σ πn (π π n ) = σ X (π) π n Posons ( ) n 1 n N, Π n = π n ( π i ) c i=1 Alors Π n σ X (π) π n = σ πn (π π n ) et Π n = X, la somme étant n N disjointe. Finalement, ( ) A σ(π), µ 1 (A) = µ 1 Π n ) = n N(A µ 1 (A Π n ) n N = ( ) µ 2 (A Π n ) = µ 2 Π n ) n N n N(A = µ(a) 27

28 Le lemme d égalité des mesures est intéressant en lui même puisqu il permet de caractériser les mesures σ-finies uniquement par leur donnée sur un π- système. Dans le cas du π-système π = {], x], x R}, le théorème assure que deux mesures ayant la même fonction de répartition (F (x) = µ(], x])) sont égales. Lemme L ensemble M des parties µ -mesurables est une tribu et µ est σ-additive (et donc une mesure) sur M. Preuve - Montrons tout d abord que M est une algèbre et que µ est finiment additive sur M. La stabilité par passage au complémentaire est évidente. Soient A, B M. Alors pour tout E P(X) : µ (E) = µ (E A) + µ (E A c ) = µ (E A B) + µ (E A c B) + µ (E A B c ) + µ (E A c B c ) µ (E A B) + µ (E (A B) c ) par sous-additivité de µ. Mais cette même sous-additivité donne µ (E) = µ (E (A B) E (A B) c ) µ (E A B) + µ (E (A B) c et finalement on a l égalité. Pour l additivité finie on prouve pour A et B disjoints l égalité renforcée : µ (E (A B)) = µ (E (A B) A) + µ (E (A B) A c ) = µ (E A) + µ (E B) Soit maintenant une suite de parties disjointes {A n, n N}. Alors on a n n µ (E) = µ (E ( A i )) + µ (E ( A i ) c ) = i=1 i=1 n n µ (E A i ) + µ (E ( A i ) c ) i=1 n i=1 i=1 µ (E A i ) + µ (E ( i N 28 A i ) c )

29 par monotonie. Le résultat étant vrai pour tout n, il vient µ (E) i N µ (E A i ) + µ (E ( A i ) c ) et par sous σ-additivité, µ (E) µ (E ( A i )) + i N i N µ (E ( A i ) c ). De nouveau la même sous σ-additivité donne également i N l inégalité inverse, et donc l égalité. Finalement, i N A i est µ -mesurable. La σ-additivité est alors une conséquence directe de l additivité finie et de la sous σ-additivité. Lemme A M. La démonstration de ce lemme est laissée en exercice. 3.3 Application : la mesure de Borel Avant de construire la mesure de Borel, nous rappelons qu une fonction d ensemble additive µ 0 définie sur une semi-algèbre S admet un unique prolongement en une fonction additive µ sur l algèbre engendrée par S. Elle est définie par : n n µ( S i ) = µ 0 (S i ) i=1 pour toute famille finie disjointe. Corollaire Par le théorème précédent, la mesure de Borel est l unique prolongement à la tribu des boréliens de la fonction longueur sur les intervalles de R (resp. à la fonction volume sur les pavés de R p ) étendue à l algèbre engendrée par les intervalles (resp. à l algèbre engendrée par les pavés). Théorème (admis) Toute mesure borélienne invariante par translation est proportionnelle à la mesure de Borel. i=1 3.4 Ensembles négligeables, tribu et mesure complétée Définition (ensemble négligeable, tribu complète) Soit (X, A, µ) un espace mesuré. On appelle ensemble négligeable (ou de mesure nulle) toute partie B P(X) telle qu il existe A A, B A et µ(a) = 29

30 0. On dit que la tribu A est complète (pour la mesure µ) si les ensembles négligeables sont mesurables. Remarquons qu en général l adjonction des ensembles négligeables élargit la tribu. Théorème Il existe un unique prolongement de µ σ-finie à la tribu complétée A engendrée par A et l ensemble des ensembles négligeables tel que (A, µ) soit complet. (X, A, µ) est appelé espace complété. C est une conséquence directe du théorème de prolongement. Exemple La mesure (resp. tribu) complétée de la mesure de Borel (resp. tribu borélienne) s appelle mesure (resp. tribu) de Lebesgue. 3.5 Produit fini d une famille d espaces mesurés Une autre application du théorème de prolongement est l existence et l unicité de la mesure produit sur le produit (fini) d espaces mesurés : Définition (produit fini d une famille d espaces mesurés) Soient (X i, A i, µ i ), i I une famille finie d espaces mesurés σ-finis : on appelle mesure produit sur ( Π X i, A i ) l unique mesure µ i vérifiant i I i I i I µ i ( Π A i ) = Π µ i (A i ), i I i I i I A i A i i I L espace mesuré ( Π X i, i I i I A i, µ i ) est appelé espace mesuré produit. i I Remarque Il existe une caractérisation différente de la mesure produit fondée sur les marginales qui sera donnée en abordant le théorème de Fubini. 30

Intégrale de Lebesgue

Intégrale 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 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

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

Théorie de la Mesure et Intégration

Théorie 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 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

Théorie de la mesure. S. Nicolay

Théorie 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 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

Mesures et Intégration

Mesures et Intégration Mesures et Intégration Marc Troyanov - EPFL - Octobre 2005 30 avril 2008 Ce document contient les notes du cours de Mesure et Intégration enseigné à l EPFL par Marc Troyanov, version 2005-2006. Table des

Plus en détail

Intégration sur des espaces produits

Intégration sur des espaces produits Chapitre 5 Intégration sur des espaces produits 5.1 Produit de deux mesures Étant donnés deux espaces mesurés (Ω 1, F 1, µ 1 ) et (Ω 2, F 1, µ 2 ), le but de cette section est de construire une mesure

Plus en détail

THÉORIE DE LA MESURE ET DE L INTÉGRATION.

THÉORIE DE LA MESURE ET DE L INTÉGRATION. THÉORIE DE LA MESURE ET DE L INTÉGRATION. THIERRY GALLAY Transcrit par Tancrède LEPOINT 29 UNIVERSITÉ JOSEPH FOURIER, GRENOBLE TABLE DES MATIÈRES Avant-propos Biographie sommaire...........................................

Plus en détail

3. Conditionnement P (B)

3. 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 détail

Image d un intervalle par une fonction continue

Image 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 détail

Notes de cours de Probabilités Appliquées. Olivier François

Notes de cours de Probabilités Appliquées. Olivier François Notes de cours de Probabilités Appliquées Olivier François 2 Table des matières 1 Axiomes des probabilités 7 1.1 Introduction................................. 7 1.2 Définitions et notions élémentaires.....................

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

Mesure et Intégration (Notes de cours de L3)

Mesure et Intégration (Notes de cours de L3) Mesure et Intégration (Notes de cours de L3) Ahmed Zeriahi Version préliminaire-octobre 2011 Avertissement : Ceci est une version préliminaire des notes du cours que l auteur a dispensé en troisème année

Plus en détail

Cours de mathématiques Partie IV Probabilités MPSI 4

Cours de mathématiques Partie IV Probabilités MPSI 4 Lycée Louis-Le-Grand, Paris Année 2013/2014 Cours de mathématiques Partie IV Probabilités MPSI 4 Alain TROESCH Version du: 30 mai 2014 Table des matières 1 Dénombrement 3 I Combinatoire des ensembles

Plus en détail

Probabilités sur un univers fini

Probabilités 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 détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme

Plus en détail

Lois de probabilité à densité Loi normale

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

Plus en détail

4. Martingales à temps discret

4. 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 détail

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

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

Calcul fonctionnel holomorphe dans les algèbres de Banach

Calcul 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 détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

Opérateurs non-bornés

Opérateurs non-bornés Master Mathématiques Analyse spectrale Chapitre 4. Opérateurs non-bornés 1 Domaine, graphe et fermeture Soit H un espace de Hilbert. On rappelle que H H est l espace de Hilbert H H muni du produit scalaire

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

Dualité dans les espaces de Lebesgue et mesures de Radon finies

Dualité 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 détail

Introduction à la Topologie

Introduction à la Topologie Introduction à la Topologie Licence de Mathématiques Université de Rennes 1 Francis Nier Dragoş Iftimie 2 3 Introduction Ce cours s adresse à des étudiants de Licence en mathématiques. Il a pour objectif

Plus en détail

I. Polynômes de Tchebychev

I. 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 détail

Remise à niveau en processus stochastiques

Remise à niveau en processus stochastiques M2IR Université Claude Bernard Lyon 1 Année universitaire 212-213 Remise à niveau en processus stochastiques F. Bienvenüe-Duheille Le but de ce poly est de vous mettre à niveau sur les processus stochastiques

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

Espace de probabilité, indépendance et probabilité conditionnelle

Espace de probabilité, indépendance et probabilité conditionnelle Chapter 2 Espace de probabilité, indépendance et probabilité conditionnelle Sommaire 2.1 Tribu et événements........................................... 15 2.2 Probabilité................................................

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

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

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

MA6.06 : Mesure et Probabilités

MA6.06 : 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 détail

MESURE ET INTÉGRATION EN UNE DIMENSION. Notes de cours

MESURE 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 détail

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

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. 14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,

Plus en détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De 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 détail

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - 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 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

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

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

Construction de l'intégrale de Lebesgue

Construction de l'intégrale de Lebesgue Université d'artois Faculté des ciences Jean Perrin Mesure et Intégration (Licence 3 Mathématiques-Informatique) Daniel Li Construction de l'intégrale de Lebesgue 10 février 2011 La construction de l'intégrale

Plus en détail

Mesures gaussiennes et espaces de Fock

Mesures 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 détail

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

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

Plus en détail

Probabilités sur un univers fini

Probabilités 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 détail

Calculs de probabilités

Calculs de probabilités Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile

Plus en détail

PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390

PROBABILITÉS: 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 détail

n N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t

n 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 détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

Produits d espaces mesurés

Produits d espaces mesurés Chapitre 7 Produits d espaces mesurés 7.1 Motivation Au chapitre 2, on a introduit la mesure de Lebesgue sur la tribu des boréliens de R (notée B(R)), ce qui nous a permis d exprimer la notion de longueur

Plus en détail

Formules d inclusion-exclusion

Formules d inclusion-exclusion Université de Rouen L1 M.I.EEA 2011 2012 Mathématiques discrètes Formules d inclusion-exclusion Je présente ici une correction détaillée de l Exercice 5 de la Feuille d exercices 1, en reprenant le problème

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

Le produit semi-direct

Le produit semi-direct Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.

Plus en détail

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

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours Exo7 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 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

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

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

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - 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 détail

Chapitre 7 : Intégration sur un intervalle quelconque

Chapitre 7 : Intégration sur un intervalle quelconque Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction

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

Le 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 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 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

CCP PSI - 2010 Mathématiques 1 : un corrigé

CCP PSI - 2010 Mathématiques 1 : un corrigé CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P

Plus en détail

3 Approximation de solutions d équations

3 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 détail

Fonctions de plusieurs variables

Fonctions 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 détail

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2 Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................

Plus en détail

Programme de mathématiques TSI1

Programme de mathématiques TSI1 Programme de mathématiques TSI1 1. PROGRAMME DE DÉBUT D ANNÉE I. Nombres complexes et géométrie élémentaire 1. Nombres complexes 1 2. Géométrie élémentaire du plan 3 3. Géométrie élémentaire de l espace

Plus en détail

Calcul différentiel sur R n Première partie

Calcul 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 détail

Le modèle de Black et Scholes

Le 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 détail

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

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

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte 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 détail

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

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

Plus en détail

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x )

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x ) Séries de Fourier Les séries de Fourier constituent un outil fondamental de la théorie du signal. Il donne lieu à des prolongements et des extensions nombreux. Les séries de Fourier permettent à la fois

Plus en détail

2. Probabilité. 2.1: Espaces de probabilité 2.2: Probabilité conditionelle 2.3: Indépendance. http://statwww.epfl.ch

2. Probabilité. 2.1: Espaces de probabilité 2.2: Probabilité conditionelle 2.3: Indépendance. http://statwww.epfl.ch 2. Probabilité 2.1: Espaces de probabilité 2.2: Probabilité conditionelle 2.3: Indépendance Probabilité et Statistiques I Chapître 2 1 2.1 Espaces de Probabilité Contenu Exemples élémentaires de probabilité,

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

La 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 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 détail

Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits.

Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits. Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits 1 La qualité de la rédaction est un facteur important dans l appréciation

Plus en détail

Cours d Analyse. Fonctions de plusieurs variables

Cours 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 détail

CONCOURS 2015 Programme des classes préparatoires

CONCOURS 2015 Programme des classes préparatoires CONCOURS 2015 Programme des classes préparatoires Voie économique et commerciale option scientifique option économique option technologique Voie littéraire Filière B/L Lettres et Sciences Sociales Filière

Plus en détail

Théorie spectrale. Stéphane Maingot & David Manceau

Théorie spectrale. Stéphane Maingot & David Manceau Théorie spectrale Stéphane Maingot & David Manceau 2 Théorie spectrale 3 Table des matières Introduction 5 1 Spectre d un opérateur 7 1.1 Inversibilité d un opérateur........................... 7 1.2 Définitions

Plus en détail

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.

I. 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 détail

Introduction à l étude des Corps Finis

Introduction à l étude des Corps Finis Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur

Plus en détail

Logique. Plan du chapitre

Logique. 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

Qu est-ce qu une probabilité?

Qu est-ce qu une probabilité? Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont

Plus en détail

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

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

Plus en détail

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48

Méthodes 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 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

Capes 2002 - Première épreuve

Capes 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 détail

Calcul différentiel. Chapitre 1. 1.1 Différentiabilité

Calcul 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 détail

Introduction au Calcul des Probabilités

Introduction au Calcul des Probabilités Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Introduction au Calcul des Probabilités Probabilités à Bac+2 et plus

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage 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 détail

Travaux dirigés d introduction aux Probabilités

Travaux dirigés d introduction aux Probabilités Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien

Plus en détail

M2 IAD UE MODE Notes de cours (3)

M2 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 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

Cours de mathématiques

Cours de mathématiques DEUG MIAS premier niveau Cours de mathématiques année 2003/2004 Guillaume Legendre (version révisée du 3 avril 2015) Table des matières 1 Éléments de logique 1 1.1 Assertions...............................................

Plus en détail

4 Distributions particulières de probabilités

4 Distributions particulières de probabilités 4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli

Plus en détail

Compacité faible et Axiome du Choix Séminaire ERMIT

Compacité faible et Axiome du Choix Séminaire ERMIT Compacité faible et Axiome du Choix Séminaire ERMIT Marianne Morillon 12 et 19 février 2007 Questions Etant donné un espace normé E, on note par défaut. sa norme, B E sa boule unité large: B E := {x E

Plus en détail