Variables aléatoires réelles
|
|
- Arnaud Marcil
- il y a 7 ans
- Total affichages :
Transcription
1 Variables aléatoires réelles Table des matières 1 Généralités sur les variables aléatoires réelles Rappels sur les σ-algèbres ou tribus d événements σ-algèbre des boréliens Définition d une variable aléatoire σ-algèbre associée à une variable aléatoire X Opérations sur les variables aléatoires Fonction de répartition d une variable aléatoire réelle Espérance et conditionnement pour les variables aléatoires discrètes Définition de l espérance et de l espérance conditionnelle Théorème de transfert Existence d une espérance par domination Croissance de l espérance pour les variables aléatoires discrètes Formule de l espérance totale Moments d ordre r (r ) d une variable aléatoire discrète Variance Ecart-type Variable centrée, réduite, centrée réduite Fonction génératrice (hors programme) Définition Propriétés Cas où X est une variable aléatoire finie Lois discrètes usuelles Variables de Bernoulli Variables binomiales Variables uniformes discrètes Variables géométriques Variables de Poisson Compléments sur les variables aléatoires à densité Définition d une variable aléatoire à densité Propriétés d une variable aléatoire à densité : lien entre densité et probabilité Caractérisation de la fonction de répartition d une v. a. r. à densité Caractérisation d une fonction de densité Variable aléatoire à densité prenant ses valeurs dans un intervalle Trois lois usuelles Contre-exemple : v.a.r. ni discrète ni à densité Exemples simples de calculs de fonctions de répartition et de densités de fonctions d une variable aléatoire à densité Loi de Y = ax + b où (a, b) Loi de Y = X Loi de Y = X Loi de Y = X Loi de Y = e X Loi de Y = 1/X
2 4.8.7 Loi de Y = ϕ X. dans le cas où ϕ est de classe C 1 strictement monotone Loi de Y = ϕ X dans des cas particuliers où ϕ n est pas continue Définition de l espérance Exemple de variable aléatoire à densité n admettant pas d espérance Théorème de transfert Propriétés de l espérance des variables aléatoires réelles à densité Moments d ordre r où r Moments centrés d ordre r où r Variance, écart-type Variable centrée, réduite, centrée réduite Loi uniforme Définition Fonction de répartition Espérance et variance Loi exponentielle Définition Fonction de répartition Espérance et variance Caractérisation par absence de mémoire Étude de loi normale (0, 1) Étude de la loi normale de paramètres (m, σ 2 ) Stabilité de la loi normale par transformation affine Espérance et variance Lois γ Définition Espérance et variance
3 1 Généralités sur les variables aléatoires réelles. 1.1 Rappels sur les σ-algèbres ou tribus d événements. Definition 1 On appelle σ-algèbre (ou tribu) sur Ω, tout sous-ensemble de (Ω) tel que Ω, A, A, pour toute famille finie ou dénombrable (A i ) i I d éléments de, i I A i. Considérant une expérience aléatoire et l ensemble de ses résultats Ω, toute tribu de (Ω) est appelée tribu d événements de Ω. Exemple : Lorsque l univers Ω est fini ou dénombrable, on choisit le plus souvent pour tribu d événements : = (Ω) Definition 2 On appelle espace probabilisable le couple (Ω, ), où Ω est l univers des résultats associés à une expérience aléatoire et une tribu d événements liés à. Definition 3 Si (A i ) i I est une famille d événements, on appelle tribu (ou σ-algèbre) engendrée par la famille (A i ) i I la plus petite tribu de Ω au sens de l inclusion contenant tous les A i, i I. 1.2 σ-algèbre des boréliens. Definition 4 Si Ω = la tribu utilisée est la tribu engendrée par les intervalles de. est appelée la tribu des boréliens. 1.3 Définition d une variable aléatoire. Definition 5 X est une variable aléatoire réelle définie sur l espace probabilisable (Ω, ) si et seulement si X est une application de Ω dans vérifiant x, [X x]. Propriété : Pour tout borélien B et pour toute variable aléatoire réelle X définie sur (Ω, ), [X B] appartient à. 1.4 σ-algèbre associée à une variable aléatoire X. Definition 6 La σ- algèbre associée à la variable aléatoire X est la tribu engendrée par la famille ([X x]) x. Elle sera notée X C est la plus petite tribu contenant les événements [X x] pour tout réel x. Elle représente l information fournie par X. 1.5 Opérations sur les variables aléatoires. Théorème 7 Une somme, un produit de variables aléatoires sont des variables aléatoires. 1.6 Fonction de répartition d une variable aléatoire réelle. On considère un espace probabilisé (Ω,, P). Definition 8 Soit X une variable aléatoire réelle. La fonction de répartition de X est l application F de dans [0, 1] définie par : x, F(x) = P ([X x]). 3
4 Théorème 9 Si F est la fonction de répartition d une variable aléatoire réelle X alors F est croissante. lim F(x) = 1. x + lim F(x) = 0. x F est continue à droite (c est-à-dire pour tout x 0 de lim F(x) = F(x 0 ).) x x0 > Théorème 10 Si F est une application de dans vérifiant ces quatre propriétés alors F est une fonction de répartition. 2 Espérance et conditionnement pour les variables aléatoires discrètes. Dans ce paragraphe, les variables aléatoires réelles X définies sur (Ω, ) sont discrètes c est-à-dire X (Ω) est un ensemble fini ou dénombrable. 2.1 Définition de l espérance et de l espérance conditionnelle. X est une variable aléatoire discrète telle que X (Ω) = x i, i I où I est une partie de. Definition 11 X admet une espérance lorsque la série de terme général x i P([X = x i ]) est absolument convergente et on note alors X = E(X ) = x i P([X = x i ]) = x P([X = x]) i I Definition 12 Soit A un événement de probabilité non nulle. Si la série de terme général x i P A ([X = x i ]) est absolument convergente, on appelle espérance conditionnelle de X sachant A (et on la note E(X A)) l espérance de X pour la probabilité conditionnelle P A c est-à-dire E(X A) = x i P A ([X = x i ]) = i I x X (Ω) x X (Ω) x P A ([X = x]) 2.2 Théorème de transfert. Théorème 13 Soient X une variable aléatoire discrète telle que X (Ω) = x i, i I, g une application définie sur X (Ω) alors l application g X notée abusivement g(x ) est une variable aléatoire discrète. De plus lorsque cette série est absolument convergente. E(g(X )) = g(x i )P([X = x i ]) = i I x X (Ω) g(x)p([x = x]) En particulier, (a, b), E(aX + b) = ae(x ) + b (lorsque X admet une espérance). 2.3 Existence d une espérance par domination. Théorème 14 Si X et Y sont deux variables aléatoires discrètes vérifiant 0 X Y presque sûrement, et si Y admet une espérance, alors X admet également une espérance. Dans ce cas, E(X ) E(Y ). 2.4 Croissance de l espérance pour les variables aléatoires discrètes. Théorème 15 Soient X et Y deux variables aléatoires discrètes définies sur le même espace probabilisé (Ω,, P) et admettant chacune une espérance. On suppose que X Y presque sûrement. Alors E(X ) E(Y ). En particulier si X (Ω) + et si E(X ) existe alors E(X ) 0. 4
5 2.5 Formule de l espérance totale. Théorème 16 Soit X une variable aléatoire discrète définie sur (Ω,, P), soit (A n ) un système complet d événements et J l ensemble des entiers n tels que P(A n ) 0. Alors X admet une espérance pour P si et seulement si la série : x P An ([X = x]) P(A n ) (x,n) X (Ω) J converge absolument. Dans ce cas, pour tout n dans J, l espérance E(X A n ) est définie et E(X ) = E(X A n )P(A n ). n J Théorème 17 : Cas particulier des variables aléatoires discrète à valeurs positives Soit X une variable aléatoire discrète définie sur l espace probabilisé (Ω,, P) à valeurs dans +. Soit (A n ) un système complet d événements et J l ensemble des entiers n tels que P(A n ) 0. Alors : n J, E(X A n ) existe et X admet une espérance la série E(X A n )P(A n ) conver ge Dans ce cas E(X ) = E(X A n )P(A n ) n J n J 2.6 Moments d ordre r (r ) d une variable aléatoire discrète. Definition 18 Soit r On appelle moment d ordre r de la variable aléatoire discrète X et on note m r (X ) la quantité E(X r ) si cette espérance existe. m r (X ) = E(X r ) = x r P([X = x]) lorsque cet te série est absolument conver gente. x X (Ω) Definition 19 Soit r On appelle moment centré d ordre r de la variable aléatoire discrète X et on note µ r (X ) la quantité E((X E(X )) r ) si cette espérance existe. µ r (X ) = E((X E(X )) r ) = (x E(X )) r P([X = x]) lorsque cet te série est absolument conver gente. x X (Ω) Propriétés Soit r. Si m r (X ) existe alors m p (X ) existe pour tout p [[1, r]]. Soit r. Alors µ r (X ) existe m r (X ) existe. 2.7 Variance Definition 20 On appelle variance de la variable aléatoire discrète X la quantité µ 2 (X ) si elle existe. V (X ) = E((X E(X )) 2 ) = (x E(X )) 2 P([X = x]) lorsque cet te série est absolument conver gente. x X (Ω) Propriétés de la variance d une variable aléatoire discrète X admet une variance si et seulement si X admet un moment d ordre 2 et dans ce cas on a : V (X ) = E(X 2 ) (E(X )) 2 (formule de Huygens). Si X admet une variance alors V (X ) 0. De plus : V (X ) = 0 X est constante presque sûrement ( c est-à-dire : m /P([X = m]) = 1) Si X admet une variance alors : (a, b) 2, V (ax + b) = a 2 V (X ). 2.8 Ecart-type Definition 21 Si X est une variable aléatoire discrète admettant une variance, on appelle écart-type de X le nombre σ X = V (X ). Propriétés de l ecart-type d une variable aléatoire discrète (a, b) 2, σ ax +b = a σ X. 5
6 2.9 Variable centrée, réduite, centrée réduite Definition 22 Une variable aléatoire est dite centrée si elle admet une espérance et si cette espérance est nulle. La variable aléatoire Y centrée associée à la variable aléatoire X est : Y = X E(X ). Definition 23 Une variable aléatoire est dite réduite si elle admet une variance et si cette variance est égale à 1. Definition 24 Une variable aléatoire est dite centrée réduite si elle admet une variance, si son espérance est nulle et si sa variance est égale à 1. La variable aléatoire X centrée réduite associée à la variable aléatoire X (non constante ou quasi-constante) est : X = X E(X ) σ X Fonction génératrice (hors programme) Définition Soit X une variable aléatoire à valeurs dans. La fonction génératrice de X est la fonction définie par : Propriétés G X (t) = + k=0 P([X = k])t k ( lorsque cette série converge). Parfois, on définit simplement la fonction génératrice G X sur l intervalle [0, 1]. (On remarque que pour tout t [0, 1], la série converge). G X (1) = 1 t [0, 1], G X (t) = E t X Cas où X est une variable aléatoire finie Si on suppose que : N / X (Ω) [0, N ], alors G X est une fonction polynomiale. On peut montrer que : E(X ) = G X (1). V (X ) = G X (1) + G X (1) G X (1) 2 X et Y étant deux variables aléatoires finies à valeurs dans, on a : X et Y ont la même loi G X = G Y. 3 Lois discrètes usuelles 3.1 Variables de Bernoulli. Epreuve de Bernoulli : une épreuve ayant deux résultats possibles notés S et E (succès et échec) est une épreuve de Bernoulli. Soit X une variable aléatoire définie sur l espace (Ω, A, P). Definition 25 Soit p ]0, 1[. On dit que X est une variable de Bernoulli de paramètre p si i. X (Ω) = {0, 1}. ii. P (X = 1) = p et P (X = 0) = 1 p. On note alors X 1, p ou X p Exemples Types. Soit une épreuve de Bernoulli où la probabilité de succès est p. La variable X qui vaut 1 lorsque l épreuve donne un succès et 0 sinon, est une variable de Bernoulli de paramètre p. X est la variable de Bernoulli associée à l épreuve Soit A un événement. La variable χ A définie par 1 si ω A ω Ω, χ A (ω) = 0 si ω / A 6
7 est une variable de Bernoulli de paramètre P(A). χ A est la variable indicatrice de l événement A. Espérance et variance. Théorème 26 Si X 1, p alors l espérance et la variance de X valent respectivement E (X ) = p et V (X ) = pq où q = 1 p. 3.2 Variables binomiales. Soit X une variable aléatoire définie sur l espace (Ω, A, P). Definition 27 Soit p ]0, 1[. On dit que X est distribuée selon la loi Binomiale de paramètre n et p si i. X (Ω) = [[0, n]]. n ii. k [[0, n]], P (X = k) = p k q n k où q = 1 p. k On note alors X n, p Exemples Types. Le nombre X de succès obtenus sur n épreuves de Bernoulli indépendantes de paramètre p est distribué selon la loi binomiale n, p. Espérance et variance. Théorème 28 Si X n, p alors l espérance et la variance de X valent respectivement E (X ) = np et V (X ) = npq où q = 1 p. 3.3 Variables uniformes discrètes. Soit X une variable aléatoire définie sur l espace (Ω, A, P). Definition 29 On dit que X est distribuée selon la loi uniforme sur x 1, x 2,, x N si i. X (Ω) = x 1, x 2,, x N où les xi sont distincts. ii. P X = x 1 = P X = x2 = = P X = xn = 1 N. On note alors X x 1, x 2,, x N Exemple Type. Si X est un numéro choisi au hasard dans [[1, N]]. alors X [[1, N]] Espérance et variance. Théorème 30 Si X [[1, N]], alors l espérance et la variance de X valent respectivement 3.4 Variables géométriques. E (X ) = N Soit X une variable aléatoire définie sur l espace (Ω, A, P). et V (X ) = N Definition 31 Soit p ]0, 1[. On pose q = 1 p. On dit que X est distribuée selon la géométrique de paramètre p si i. X (Ω) = {+ }. ii. k, P (X = k) = pq k 1. On note alors X p. 7
8 Exemple Type. X est le temps d attente du premier succés dans une suite d épreuves de Bernoulli indépendantes de paramètre p. Remarque. Si X p, P(X = + ) = 0. X prend presque sûrement des valeurs réelles, on peut convenir de négliger les éventualités pour lesquelles X ne prend pas une valeur réelle et on écrira X (Ω) =. Espérance et variance. Théorème 32 Si X (p) alors l espérance et la variance de X valent respectivement E (X ) = 1 p et V (X ) = q p Variables de Poisson. Soit X une variable aléatoire définie sur l espace (Ω, A, P). Definition 33 On dit que X est distribuée selon la loi de Poisson de paramètre λ (λ + ) si i. X (Ω) =. ii. k, P (X = k) = λk k! e λ. On note alors X (λ). Espérance et variance. Théorème 34 Si X (λ) alors l espérance et la variance de X valent respectivement E (X ) = λ et V (X ) = λ 4 Compléments sur les variables aléatoires à densité. 4.1 Définition d une variable aléatoire à densité. On dit qu une variable aléatoire X est à densité lorsque sa fonction de répartition F X est continue sur et de classe 1 sur éventuellement privé d un nombre fini de points. De plus, toute fonction f X : positive sur et telle que f X (x) = F X (x) pour tout réel x sauf éventuellement en un nombre fini de points est appelée densité de la variable aléatoire X. 4.2 Propriétés d une variable aléatoire à densité : lien entre densité et probabilité Théorème 35 Soit X une variable aléatoire réelle à densité. On note f X une densité de X et F X sa fonction de répartition. Alors : x, (X = x) = 0, x, (X < x) = (X x) = F X (x) = x x, (X x) = (X > x) = 1 F X (x) = f X (t)dt. En conséquence : Pour tout couple (x, y) 2 vérifiant x < y, on a : x f X (t)dt (x X y) = (x X < y) = (x < X y) = (x < X < y) = De manière générale, on a pour tout intervalle I de : (X I) = I f X (t)dt = I y x f X f X (t)dt = 1 f X (t)dt = F X (y) F X (x), 8
9 4.3 Caractérisation de la fonction de répartition d une v. a. r. à densité. Théorème 36 Soit F :. Alors F est la fonction de répartition d une variable aléatoire à densité X si et seulement si : (1) F est croissante, (2) F est continue sur, (3) F est de classe 1 sur éventuellement privé d un nombre fini de points, (4) lim x + F(x) = 1 et lim F(x) = 0 x Remarque Si on sait déjà que F est une fonction de répartition, seules les propriétés (2) et (3) doivent être vérifiées. 4.4 Caractérisation d une fonction de densité. Théorème 37 Soit f :. Alors f est une densité d une variable aléatoire à densité X si et seulement si : f est positive sur, f est continue sur sauf éventuellement en un nombre fini de réels, f (t)dt converge et vaut 1. Remarques Soit X est une variable aléatoire réelle de densité f continue sur. On note F sa fonction de répartition. Alors F est de classe 1 sur et x, F (x) = f (x) Déterminer la loi d une variable aléatoire réelle à densité, c est déterminer sa fonction de répartition ou une fonction de densité. 4.5 Variable aléatoire à densité prenant ses valeurs dans un intervalle. Soit X une variable aléatoire à densité prenant ses valeurs dans [a, b] alors x < a F X (x) = 0 donc F X (x) = 0. x > b F X (x) = 1 donc F X (x) = 0. On choisira donc f X vérifiant : x / [a, b], f X (x) = 0. Soit X une variable aléatoire de densité f X vérifiant : x / I (où I est un intervalle de ) f X (x) = 0 alors (X I) = 1. X est donc presque sûrement à valeurs dans I. Par exemple si x < 0, f X (x) = 0 alors (X < 0) = 0. X est donc presque sûrement à valeurs dans +. Pour une variable aléatoire X à densité, on ne cherchera pas à épiloguer pour savoir si telle valeur ponctuelle x 0 fait partie ou non de X (Ω) car dans tous les cas (X = x 0 ) = Trois lois usuelles. Loi uniforme sur [0,1] La fonction : 1 [0,1] : x 0 si x / [0, 1] 1 si x [0, 1] est une fonction de densité. On dit qu une variable aléatoire X suit la loi uniforme sur l intervalle [0, 1] si et seulement si l une de ses densités est la fonction 1 [0,1] et on note alors : X ([0, 1]) Les fonctions 1 [0,1[, 1 ]0,1] et 1 ]0,1[ sont aussi des densités de X ([0, 1]). 9
10 Loi exponentielle Pour tout réel λ > 0, la fonction : x λe λx 1 [0,+ [ (x) = 0 si x < 0 λe λx si x 0 est une fonction de densité. Soit λ un réel strictement positif. On dit qu une variable aléatoire X suit la loi exponentielle de paramètre λ si et seulement si l une de ses densités est la fonction x λe λx 1 [0,+ [ (x), ce que l on note : X (λ) Loi normale centrée réduite La fonction : x 1 exp x 2 2π 2 est une densité de probabilité. On dit qu une variable aléatoire X suit la loi normale centrée réduite si et seulement si l une de ses densités est la fonction x 1 exp x 2 et on note : 2π 2 X (0, 1) 4.7 Contre-exemple : v.a.r. ni discrète ni à densité. Soit X (1). On pose Y =Max (1, X ). Déterminer la fonction de répartition de Y. Représenter graphiquement cette fonction de répartition. Y est-elle une variable aléatoire à densité? 4.8 Exemples simples de calculs de fonctions de répartition et de densités de fonctions d une variable aléatoire à densité. Dans tout ce paragraphe, X est une variable aléatoire réelle de densité f et de fonction de répartition F et on recherche la loi de Y = ϕ X souvent abusivement notée ϕ(x ). Les résultats obtenus dans ce paragraphe ne sont pas à connaitre par coeur mais doivent être retrouvés Loi de Y = ax + b où (a, b) La fonction g définie sur par : est une densité de la variable aléatoire Y = ax + b. g(y) = 1 y b a f a Loi de Y = X. La fonction g définie sur par : g(y) = f ( y) est une densité de la variable aléatoire Y = X. 10
11 4.8.3 Loi de Y = X 2. La fonction g définie sur par : 0 si y 0 g(y) = 1 2 f y + f y si y > 0 y est une densité de la variable aléatoire Y = X Loi de Y = X. La fonction g définie sur par : g(y) = est une densité de la variable aléatoire Y = X. 0 si y 0 f y + f y si y > Loi de Y = e X. La fonction g définie sur par : 0 si y 0 g(y) = 1 f (ln y) y si y > 0 est une densité de la variable aléatoire Y = e X Loi de Y = 1/X. La fonction de répartition G de Y est définie par : F(0) F(1/y) si y < 0 G(y) = F(0) si y = 0 F(0) + 1 F(1/y)) si y > 0 On en déduit que Y admet pour fonction de densité la fonction g définie par : y, g(y) = 1 1 y 2 f. y Loi de Y = ϕ X. dans le cas où ϕ est de classe C 1 strictement monotone Soit f une densité d une variable aléatoire X. Soit ϕ une fonction de classe 1, strictement monotone et de fonction dérivée ϕ ne s annulant pas sur un intervalle I contenant X (Ω). Alors, Y = ϕ X est une variable aléatoire à densité dont une densité est la fonction g définie sur par : g(y) = f ϕ 1 (y) ϕ ϕ 1 (y) si y ϕ(i) 0 sinon 11
12 4.8.8 Loi de Y = ϕ X dans des cas particuliers où ϕ n est pas continue Exercice 1 Soit X (α) α > Déterminer la loi de Y = [X ]. ([x] désigne la partie entière de x). 2. Déterminer la loi de Y + 1.En déduire l espérance de Y. 3. Déterminer la loi de Z = X [X ]. Exercice 2 Soit X une variable aléatoire de densité x 1 ln x 1 [0,1](x). Montrer que Y = 1 1 X suit la même loi que X. X 4.9 Définition de l espérance Definition 38 Soit X une variable aléatoire à densité dont f est l une de ses densités. On dit que X admet une espérance si et seulement si l intégrale Si X admet une espérance alors on appelle espérance de X le réel : Remarques t f (t)dt converge si et seulement si X = (X ) = t f (t)dt t f (t)dt converge. t f (t)dt converge absolument. Si X est une variable aléatoire réelle à densité et prenant ses valeurs dans l intervalle [a, b] (a, b) 2, a < b, alors X possède une espérance Exemple de variable aléatoire à densité n admettant pas d espérance Soit f définie par : x, f (x) = 1 1 π 1 + x 2 Vérifier que f est une densité de probabilité. Soit X une variable aléatoire de densité f. Montrer que X n admet pas d espérance Théorème de transfert Théorème 39 Soit X une variable aléatoire à densité prenant ses valeurs dans un intervalle ]a, b[ de (avec a < b + ). Soit f une densité de X et ϕ une fonction continue sur ]a, b[ sauf éventuellement en un nombre fini de points. Alors la variable aléatoire ϕ(x ) admet une espérance si et seulement si l intégrale absolument. De plus, en cas de convergence absolue, on a : (ϕ(x )) = b a ϕ(t)f (t)dt b a ϕ(t) f (t)dt converge 4.12 Propriétés de l espérance des variables aléatoires réelles à densité (1) Soit X une variable aléatoire réelle possédant une densité et une espérance alors pour tout (a, b) 2, ax + b possède une espérance donnée par : (ax + b) = a(x ) + b. 12
13 (2) Positivité de l espérance Si X est une variable aléatoire à densité admettant une espérance et telle que X (Ω) + alors (X ) 0. (3)Croissance de l espérance Soit X et Y deux variables aléatoires réelles à densité définies sur le même espace probabilisé (Ω,, ) admettant chacune une espérance. On suppose que X Y presque sûrement. Alors : (X ) (Y ) 4.13 Moments d ordre r où r Definition 40 Soit r. Soit X une variable aléatoire à densité dont f est l une de ses densités. On dit que X admet un moment d ordre r si et seulement si l intégrale (équivalent à la convergence!). Si X admet un moment d ordre r alors on appelle moment d ordre r de X le réel : m r (X ) = (X r ) = 4.14 Moments centrés d ordre r où r t r f (t)dt t r f (t)dt converge absolument Definition 41 Soit r. Soit X une variable aléatoire à densité dont f est l une de ses densités. On dit que X admet un moment centré d ordre r si et seulement si l intégrale converge absolument (équivalent à la convergence!). Si X admet un moment centré d ordre r alors, on appelle moment centré d ordre r le réel : µ r (X ) = m r (X X ) = (X X ) r = Propriétés Soit r. Si m r (X ) existe alors m p (X ) existe pour tout p [[1, r]]. Soit r. Alors µ r (X ) existe m r (X ) existe. t X r f (t)dt (t X ) r f (t)dt 4.15 Variance, écart-type Definition 42 On appelle variance de la variable aléatoire réelle à densité X la quantité µ 2 (X ) si elle existe. V (X ) = E((X E(X )) 2 ) Propriétés de la variance d une variable aléatoire à densité X admet une variance si et seulement si X admet un moment d ordre 2 et dans ce cas on a : V (X ) = E(X 2 ) (E(X )) 2 (formule de Huygens). Si X admet une variance alors V (X ) 0. Si X admet une variance alors : (a, b) 2, V (ax + b) = a 2 V (X ). Definition 43 Si X est une variable aléatoire à densité admettant une variance, on appelle écart-type de X le nombre σ X = V (X ). Propriété de l ecart-type d une variable aléatoire à densité (a, b) 2, σ ax +b = a σ X. 13
14 4.16 Variable centrée, réduite, centrée réduite Definition 44 Une variable aléatoire est dite centrée si elle admet une espérance et si cette espérance est nulle. Propriété Soit X une variable aléatoire réelle possédant une espérance alors X X est une variable aléatoire réelle centrée. Definition 45 Une variable aléatoire est dite réduite si elle admet une variance et si cette variance est égale à 1. Definition 46 Une variable aléatoire est dite centrée réduite si elle admet une variance, si son espérance est nulle et si sa variance est égale à 1. Propriété Soit X une variable aléatoire possédant une variance non nulle. Alors X = X X σ X est une variable aléatoire réelle centrée réduite appelée variable aléatoire réelle centrée réduite associée à X. 5 Loi uniforme. 5.1 Définition. Propriété Pour tout couple (a, b) de réels tels que a < b, la fonction : est une fonction de densité. 1 0 si x / [a, b] b a 1 [a,b] : x 1 si x [a, b] b a Definition 47 Soit (a, b) un couple de réels tel que a < b. On dit qu une variable aléatoire X suit la loi 1 uniforme sur l intervalle [a, b] si et seulement si une de ses densités est la fonction b a 1 [a,b] et on note alors : X ([a, b]) Remarque Les fonctions 1 [a,b[, 1 ]a,b] et 1 ]a,b[ sont aussi des densités X ([a, b]). 5.2 Fonction de répartition. Soit (a, b) un couple de réels tel que a < b. Soit X ([a, b]). La fonction de répartition de la variable aléatoire X est donnée par : 5.3 Espérance et variance. 0 si x < a x a x, F X (x) = si a x b b a 1 si x > b Théorème 48 Soit (a, b) un couple de réels tel que a < b. Soit X ([a, b]). La variable aléatoire X admet une espérance et une variance. De plus : (X ) = a + b 2 (b a)2 et (X ) = 12 14
15 Propriété Soit (a, b) un couple de réels tel que a < b. Alors : X ([0, 1]) (b a)x + a ([a, b]) Ce résultat est à la base de la simulation informatique de X ([a, b]) 6 Loi exponentielle. 6.1 Définition. Propriété Pour tout réel λ > 0, la fonction : x λe λx 1 [0,+ [ (x) = est une fonction de densité. 0 si x < 0 λe λx si x 0 Definition 49 Soit λ un réel strictement positif. On dit qu une variable aléatoire X suit la loi exponentielle de paramètre λ > 0 si et seulement si l une de ses densités est la fonction x λe λx 1 [0,+ [ (x), ce que l on note : X (λ) 6.2 Fonction de répartition. Soit λ un réel strictement positif et X (λ). La fonction de répartition de la variable aléatoire X est donnée par : x, F X (x) = 1 e λx 1 [0,+ [ (x) = 0 si x < 0 1 e λx si x Espérance et variance. Théorème 50 Soit λ un réel strictement positif et X (λ). La variable aléatoire X admet une espérance et une variance. De plus : (X ) = 1 λ et (X ) = 1 λ 2 Propriété Soit λ un réel strictement positif. Alors : X (1) 1 X (λ) λ Propriété Soit X (]0, 1]) alors ln X (1) Ces deux propriétés permettent de simuler la loi exponentielle de paramètre λ (λ > 0). 15
16 6.4 Caractérisation par absence de mémoire. Théorème 51 Soit X une variable aléatoire réelle. X suit une loi exponentielle si et seulement si : X est presque sûrement à valeurs dans ]0, + [ et (x, y) +2 X > x + y = ([X > x])( X > y ) Interprétation Si X mesure la durée de vie d une machine alors l absence de mémoire (l absence de vieillissement ici) signifie que sa probabilité de fonctionner encore x unités de temps sachant qu elle a déjà fonctionné y unités de temps est la même que sa probabilité de fonctionner x unités de temps dès après sa fabrication. 7 Étude de loi normale (0, 1). Propriété La fonction ϕ : x ϕ(x) = 1 2π exp x 2 2 est une densité de probabilité. Definition 52 On dit qu une variable aléatoire X suit la loi normale de paramètres (0, 1) si et seulement si l une de ses densités est la fonction x 1 exp x 2 et on note : 2π 2 X (0, 1) Propriété t, ϕ (t) = tϕ(t) Cette propriété sera utile lors d intégrations par parties. Fonction de répartition de X (0, 1) La fonction de répartition de X (0, 1) est souvent notée Φ : x, Φ(x) = (X x) = 1 2π x Remarque Il est illusoire de chercher à exprimer Φ(x) sans intégrale... On utilise une table lorsque cela est nécessaire : Propriété de Φ Soit X (0, 1). Alors, pour tout réel x, on a : Φ( x) = 1 Φ(x) e t2 2 dt. 16
17 Table de la loi normale (0, 1) Soit X (0, 1). La table donne les valeurs de Φ(x) = (X x). Par exemple, pour x = 1, 24 (intersection de la ligne 1,2 et de la colonne 0,04), on obtient Φ(x) = 0, x Φ(x) = P(X x) = x 1 2π e t2 2 d t et Φ( x) = 1 Φ(x). t
18 Théorème 53 Soit X (0, 1)). La variable aléatoire X admet une espérance et une variance. De plus : (X ) = 0 et (X ) = 1. On dit que X suit la loi normale centrée réduite. 8 Étude de la loi normale de paramètres (m, σ 2 ). Propriété Pour tout réel m et tout réel σ > 0, la fonction : x 1 σ 2π exp (x m)2 2σ 2 est la densité d une variable aléatoire. Definition 54 Soit m un réel et σ un réel strictement positif. On dit qu une variable aléatoire X suit la loi normale de paramètres (m, σ 2 ) si et seulement si l une de ses densités est la fonction x 1 σ 2π exp (x m)2 2σ 2 et on note : X (m, σ 2 ) 8.1 Stabilité de la loi normale par transformation affine. Théorème 55 Soit m, σ ]0, + [ et X (m, σ 2 ). Soit (a, b) 2 avec a 0 alors ax + b (am + b, a 2 σ 2 ). Corollaire Soit m, σ ]0, + [ alors : X (m, σ 2 ) = X m σ (0, 1) 8.2 Espérance et variance. Théorème 56 Soit m, σ ]0, + [ et X (m, σ 2 ). Alors X admet une espérance et une variance et : (X ) = m et (X ) = σ 2 Notation Soit m, σ ]0, + [ et X (m, σ 2 ). Alors on note X = X m σ X (0, 1). X est la variable aléatoire centrée réduite associée à X. À retenir Si X suit une loi normale alors ax + b (a 0) suit aussi une loi normale. On trouve les paramètres de cette loi normale en calculant (ax + b) et (ax + b) 18
19 9 Lois γ. 9.1 Définition. Propriété Pour tout réel α > 0, la fonction : 0 si t 0 t 1 Γ(α) tα 1 e t si t > 0 est une densité de probabilité. Definition 57 Soit α un réel strictement positif. On dit qu une variable aléatoire X suit la loi gamma de paramètre α si et seulement si l une de ses 0 si t 0 densités est la fonction t 1 Γ(α) tα 1 e t et on note alors : si t > 0 X γ(α) Remarque X γ(1) X (1) 9.2 Espérance et variance. Théorème 58 Soit α un réel strictement positif et X γ(α). La variable aléatoire X admet une espérance et une variance. De plus : (X ) = α et (X ) = α Exercice 3 Soit α un réel strictement positif et X γ(α). Montrer que X admet des moments de tous ordres et que : r 1 r, m r (X ) = (α + k). k=0 19
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 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 détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en 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 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 détailChapitre 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 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 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 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 détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
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 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 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 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 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 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 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 détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en 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 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 détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
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 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 détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
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 détailCCP 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 détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
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 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 détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
Plus en détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailProbabilités avancées. Florin Avram
Probabilités avancées Florin Avram 24 janvier 2014 Table des matières 1 Mise en scène discrète 3 1.1 Espace des épreuves/résultats possibles, événements, espace probabilisé, mesure de probabilités, variables
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 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 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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
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 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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
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 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 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 détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
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 détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
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 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 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 détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
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 détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
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 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 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 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 détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
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 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 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 détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailTHÉORIE 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 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 détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
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 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 détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
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 détailChap 4. La fonction exponentielle Terminale S. Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R.
Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R. Démonstration : Soit la fonction %:& %&!= &!, elle est dérivable sur R et & R, %. &!= &! = &! = %&! gaelle.buffet@ac-montpellier.fr
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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
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 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 détailProduits 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 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 détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
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 détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
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 détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en 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 détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détail