Notions fondamentales de la Théorie des Probabilités
|
|
- Adélaïde Nadeau
- il y a 7 ans
- Total affichages :
Transcription
1 Université d Artois Faculté des Sciences Jean Perrin Probabilités (Master 1 Mathématiques-Informatique) Daniel Li Chapitre 1 Notions fondamentales de la Théorie des Probabilités Dans ce chapitre, nous allons donner les définitions de base concernant la Théorie des Probabilités. Il faut plutôt voir ce cours plus comme un cours de techniques probabilistes que comme un cours de Probabilités : on ne cherchera pas à donner d interprétation concrète des notions et des résultats présentés dans ce cours. C est en quelque sorte le minimum vital de Probabilités que doit posséder tout mathématicien. 1 Espace de probabilité Une probabilité (ou mesure de probabilité) est une mesure positive P sur un espace mesurable (Ω, A ) telle que P (Ω) = 1. On dit aussi loi de probabilité. Le triplet (Ω, A, P ) est appelé espace de probabilité. La Théorie des Probabilités utilise la Théorie de la mesure, mais, pour des raisons historiques, a un langage qui lui est propre (ce qui est d ailleurs peut-être à l origine de la réticence, voire de l ostracisme, dont la majorité des mathématiciens ont fait preuve par le passé, et encore parfois aujourd hui, envers les Probabilités). On a le dictionnaire suivant : notation point de vue ensembliste point de vue probabiliste ω Ω point de Ω observation A A partie mesurable événement ω A ω est dans la partie A l événement A est réalisé par ω A B A est contenu dans B A implique B ensemble vide événement impossible Ω ensemble plein événement certain A B réunion de A et B A ou B A B intersection de A et B A et B 1
2 Si l on considère qu un espace de probabilité est la modélisation d une expérience, un point ω de Ω peut aussi être vu comme le résultat, ou la réalisation, de l expérience modélisée par (Ω, A, P ). On dit aussi que ω est une éventualité. Par rapport au point de vue ensembliste, dans lequel la notion de base est le point, qui peut ou non appartenir à une partie donnée, dans le point de vue probabiliste, il faut plutôt inverser les rôles : la notion de base est l ensemble des événements, et chaque événement peut être réalisé ou non par une observation. Pour deux événements A et B, dire que ω A B s exprime en disant que ω réalise l événement A ou l événement B, et ω A B en disant que ω réalise l événement A et l événement B. Comme A est une tribu, si l on a une famille dénombrable d événements A n, n 1, alors les ensembles suivants sont des événements : n 1 A n : on a ω n 1 A n si l un au moins des événements A n est réalisé par ω. n 1 A n : on a ω n 1 A n si tous les événements A n sont réalisés par ω. k n A k si une infinité des événements lim n A n lim n : on a ω lim A n = n n 1 A n sont réalisés par ω. A n : on a ω lim A n = n 1 n sauf un nombre fini, sont réalisés par ω. On a bien sûr lim A n lim A n. n n k n A k si tous les événements A n, Le résultat suivant, bien que très facile, est extrêmement utile. Théorème 1.1 (Lemme de Borel-Cantelli) Si P (A n ) < +, alors on a : P ( lim A ) n = 0. n n=1 Définition 1.2 Pour tout événement A, on dit que : A est presque impossible si P (A) = 0 ; A est presque sûr, ou presque certain, si P (A) = 1. La notion de presque sûr est la version probabiliste de la notion de presque partout. Lorsque l événement A est l ensemble des ω pour lesquels une certaine propriété est vraie, on dit que cette propriété est presque sûrement vraie si A est presque sûr. On notera en abrégé p.s. pour presque sûrement. n Comme ( lim A n) c = lim (A c n), le lemme de Borel-Cantelli dit que, sous n n l hypothèse n 1 P (A n) < +, on a lim (A c n) presque sûrement ; par conséquent, le lemme de Borel-Cantelli s exprime de la façon plus utile suivante : 2
3 Théorème 1.3 (Lemme de Borel-Cantelli) Si n=1 P (Bc n) < +, alors presque sûrement, tous les événements B n sont réalisés, à l exception d un nombre fini. Preuve 1. Pour tout n 1, on a P ( k n A ) k k n P (A k) ; donc, puisque la suite ( k n A ) k est décroissante : n 1 ( ) ( P lim A n = lim P ) A k lim P (A k ) = 0, n n n k n puisque la série converge. Preuve 2. La condition n 1 P (A n) < + signifie que la fonction n 1 1I A n est P -intégrable ; elle est donc finie P -presque partout, ce qui est le résultat annoncé. 2 Variables aléatoires k n Définition 2.1 On appelle variable aléatoire, en abrégé v.a. (vectorielle, à valeurs dans d ), toute application mesurable X : (Ω, A ) ( d, Bor ( d ) ). Pour d = 1, on autorise X à prendre ses valeurs dans ; elle doit donc être mesurable pour Bor (). On dit que c est une variable aléatoire réelle ; en abrégé v.a.r.. On conviendra par la suite que 1 =. Si d > 1, on dira aussi vecteur aléatoire. Si X = (X 1,..., X d ) est un vecteur aléatoire, alors les X k sont des v.a.r. ; réciproquement, si X 1,..., X d sont des v.a.r., à valeurs dans, alors (X 1,..., X d ) est un vecteur aléatoire. emarque. Il faut noter que, contrairement à ce que peux laisser croire le nom, une variable aléatoire est une fonction, et non pas une variable. Cette terminologie trompeuse est, là encore, due à des raisons historiques, datant de l époque où l on avait pas conscience de la distinction entre une fonction et sa valeur en un point. Terminologie. On dit que la v.a.r. X a un moment d ordre p, 1 p <, si X L p (Ω, A, P ). Lorsque X est intégrable (on utilisera plutôt ce terme que celui de moment d ordre 1), son intégrale est appelée espérance (mathématique) de X ; on dit aussi que c est la moyenne de X. On la note : E (X) = X dp. Ω 3
4 On dit que la variable aléatoire X est centrée lorsque E (X) = 0. La v.a.r. X E (X) (mis pour X E (X)1I) est appelée la v.a. centrée associée à X ; elle est évidemment centrée. Lorsque X L 2 (Ω, A, P ), on définit la variance de X par : Var (X) = E ( [X E (X)] 2). Ce nombre (qui est positif) mesure les variations de X autour de sa moyenne. On la calcule habituellement par la formule suivante : Proposition 2.2 Var (X) = E (X 2 ) [E (X)] 2. Preuve. Il suffit de développer : E ( [X E (X)] 2) = E ( X 2 2E (X)X + [E (X)] 2) = E (X 2 ) 2E (X)E (X) + [E (X)] 2), car E (1I) = 1. Notons que l on a Var (ax) = a 2 Var (X) pour tout a. Pour revenir à l ordre de grandeur initial, on utilise l écart-type : σ X = Var (X). Autrement dit : σ X = X E (X) L2 (Ω,A,P ). Le nombre X L2 (P ) = [E (X 2 )] 1/2 est appelé moyenne quadratique de X. Lorsque l on mesure les résultats d une expérience aléatoire par une variable aléatoire X, l espace de probabilité (Ω, A, P ) est une modélisation de la situation liée à cette expérience. Cette modélisation peut être faite de diverses façons, ce qui veut dire que l espace (Ω, A, P ), et en particulier la probabilité P, n a pas de sens intrinsèque. Ce qui est important, c est la répartition des valeurs que peut prendre X, et leur fréquence. C est pourquoi le concept suivant, qui précise ces fréquences d apparitions, est fondamental ; d ailleurs avant l axiomatisation de la Théorie des Probabilités par Kolmogorov en 1933, les Probabilistes ne voyaient les variables aléatoires qu à travers leur loi. Définition 2.3 On appelle loi de la variable aléatoire X la mesure-image de la probabilité P par X. On la note P X. On dit aussi loi de probabilité de X. On l appelle encore la distribution de la variable aléatoire X. Cela signifie que pour tout borélien B de d, on a : P X (B) = P (X B), 4
5 P (X B) étant la notation usuelle pour : P ({ω Ω ; X(ω) B}) = P ( X 1 (B) ). P X est donc une mesure de probabilité sur d. Si Q est une mesure de probabilité sur d, on note X Q pour exprimer que X a la loi Q, c est-à-dire que Q = P X ; on a donc X P X. Si la loi de X a une densité f X par rapport à la mesure de Lebesgue, on dit que X possède la densité f X. appelons que pour toute fonction f : d borélienne positive ou P X - intégrable, on a : f(x) dp X (x) = d Ω f[x(ω)] dp (ω), soit : d f(x) dp X (x) = E ( f(x) ), où f(x) est la notation habituelle pour la composée f X. Ainsi, lorsque X est une v.a.r., X est intégrable si et seulement si P ({X = }) = P ({X = + }) = 0 et : x dp X (x) < + ; et alors : E (X) = x dp X (x). On notera que, X étant intégrable, elle est presque sûrement finie, c est-à-dire presque sûrement à valeurs dans (soit P X ({, + }) = 0) ; on peut donc intégrer sur au lieu d intégrer sur. Pour une expérience mesurée par une v.a. X, il est important de savoir quels sont les événements liés à cette expérience. Définition 2.4 On appelle tribu engendrée par la variable aléatoire X la plus petite sous-tribu A X de A pour laquelle X reste mesurable. On la note aussi σ(x) (à ne pas confondre avec l écart-type!). Proposition 2.5 On a : A X = {X 1 (B) ; B Bor( d )}. 5
6 Preuve. L ensemble écrit à droite doit évidemment être contenu dans A X ; c est d autre part une tribu, et X est mesurable pour cette tribu. Théorème 2.6 (Doob) Une fonction Y : Ω d est une variable aléatoire A X -mesurable si et seulement s il existe une fonction borélienne f : d d telle que Y = f(x). Preuve. La condition suffisante est évidente. Pour la condition nécessaire, en regardant coordonnée par coordonnée, on peut supposer Y réelle ; et en écrivant Y = Y + Y, la supposer positive. Mais alors, comme elle est A X -mesurable, elle est limite d une suite croissante de fonctions Y n A X -étagées. D après la proposition précédente, ces fonctions A X -étagées peuvent s écrire : Y n = k n na k,n 1I X 1 (B k,n ) = k n avec a k,n 0 et les B k,n boréliens de d. Posons : On a bien f n = k n ( k n ) na k,n (1I Bk,n X) = a k,n 1I Bk,n X, a k,n 1I Bk,n et f = lim n f n. Y = lim n Y n = lim n f n(x) = lim n f n(x) = f(x). Lorsque X est une v.a.r., à valeurs dans, on utilise souvent la notion suivante. Définition 2.7 La fonction de répartition de X est définie, pour tout x, par : F X (x) = P (X x) = P X (], x]). On dit aussi que F X est la fonction de répartition de P X. C est une fonction F X : [0, 1], qui est croissante, continue à droite, et telle que lim x F X (x) = 0 et lim x + F X (x) = 1. Le Théorème d unicité des mesures dit qu il n y a qu une seule mesure de probabilité sur dont F X soit la fonction de répartition : F X détermine P X. 3 Exemples usuels de lois de probabilité sur Dans ce cours, on n utilisera essentiellement que deux lois de probabilité : la loi de Bernoulli et la loi gaussienne, avec en plus, la loi uniforme. On se contentera donc de parler de celles-ci, renvoyant, pour les autres lois usuelles, aux exercices. 6
7 3.1 Loi de Bernoulli C est la loi d une v.a.r. qui ne prend (presque sûrement) que les deux valeurs 0 et 1. Si X est une telle v.a.r., sa loi est déterminée par le nombre p = P (X = 1) ; on a 0 < p < 1, et p est appelé le paramètre de la loi. On a : P (X = 1) = p et P (X = 0) = 1 p = q, ou P X ({1}) = p, P X ({0}) = 1 p ; la loi de X est donc P X = p δ 1 + (1 p)δ 0, où δ 1 et δ 0 sont les mesures de Dirac en 1 et en 0. C est la loi du pile ou face : on a la probabilité p de réussir. On a E (X) = p et Var (X) = pq = p(1 p) ; en effet, E (X) = 0.(1 p)+ 1.p = p et E (X 2 ) = 0 2.(1 p) p = p, donc Var (X) = p p Loi de Gauss On dit aussi que c est la loi de Laplace ou la loi normale. Elle est caractérisée par deux paramètres m et σ > 0. On la note : N (m, σ 2 ). C est la loi de probabilité sur qui a pour densité (par rapport à la mesure de Lebesgue) : γ m,σ 2 = 1 [ σ 2π exp 1 ( x m ) ] 2. 2 σ appelons que /2 du = 2π, et donc γ e u2 m,σ 2 est bien la densité d une loi de probabilité Si X N (m, σ 2 ), on dit que X est une variable aléatoire gaussienne. On a donc, pour tout borélien B de : P (X B) = 1 [ σ exp 1 ( x m ) ] 2 dx. 2π 2 σ En particulier, sa fonction de répartition est : On a : En effet : B F X (x) = P (X x) = x γ m,σ 2(x) dx. E (X) = m et Var (X) = σ 2. E (X) = 1 [ σ x exp 1 ( x m ) ] 2 dx 2π 2 σ = 1 ] [σ u e u2 /2 du + m e u2 /2 du 2π = m, 7
8 et : Var (X) = 1 [ σ (x m) 2 exp 1 2π 2 = σ2 u 2 e u2 /2 du = σ 2, 2π ( x m σ ) 2 ] dx en écrivant u 2 e u2 /2 = u.u2e u2 /2 et en intégrant par parties. Ainsi donc la loi d une gaussienne est déterminée par sa moyenne m et sa variance σ 2. La loi N (0, 1) est appelée loi normale centrée réduite ; elle a pour densité : γ(x) = γ 0,1 (x) = 1 2π e x2 /2 ; son espérance est nulle et sa variance est 1. On a : X N (m, σ 2 ) Z = X m N (0, 1) ; σ ou, inversement : Z N (0, 1) X = σz + m N (m, σ 2 ). Cette loi est centrale en Probabilités, car on verra que, en un certain sens, toutes les lois tendent vers la loi de Gauss. 3.3 Loi uniforme La loi uniforme sur le segment [a, b] est la loi ayant pour densité la fonction : 1 b a 1I (a,b] par rapport à la mesure de Lebesgue sur. Pour tout intervalle I, on a, pour une v.ar. ayant cette loi : 1 P X (I) = P (X I) = b a 1I λ(i [a, b]] (a,b] dλ = b a 4 Indépendance I C est avec la notion d indépendance que la Théorie des Probabilités prend son autonomie par rapport à la Théorie de la mesure. Définition 4.1 Deux événements A et B sont dits indépendants si : On note A B. P (A B) = P (A) P (B). 8
9 L exemple suivant est fondamental, car, comme nous le verrons, l indépendance peut toujours se ramener, en un certain sens, à une mesure de probabilité qui est une mesure-produit (voir Théorème 4.7). Exemple fondamental. Prenons Ω = [0, 1] [0, 1], muni de sa tribu borélienne, et prenons pour probabilité P = λ 2 = λ λ, la mesure de Lebesgue 2-dimensionnelle, qui est aussi le produit de la mesure de Lebesgue 1-dimensionnelle par elle-même. Soit : A = [0, a] [0, 1] et B = [0, 1] [0, b]. On a P (A) = a et P (B) = b ; et, comme (A B = [0, a] [0, b] : P (A B) = ab = P (A) P (B). Autrement dit, l événement 0 x a est indépendant de l événement 0 y b, ou : choisir au hasard un x dans [0, a] est indépendant du choix au hasard d un y dans [0, b]. Définition 4.2 Soit A 1,..., A n n événements ; on dit qu ils sont indépendants si : P (A i1 A ik ) = P (A i1 ) P (A ik ) pour toute partie {i 1,..., i k } {1,..., n}. Cela entraîne bien sûr que A 1,..., A n n sont deux-à-deux indépendants. Définition 4.3 Si A 1,..., A n sont n sous-tribus de A, on dit qu elles sont indépendantes si les événements A 1,..., A n sont indépendants, pour tout choix de A 1 A 1,..., A n A n. Cela revient à dire que : P (A 1 A n ) = P (A 1 ) P (A n ), A 1 A 1,..., A n A n ; en effet, il est clair que c est entraîné par l indépendance ; réciproquement, si l on a cette propriété, prenons J {1,..., n} et A j A j arbitraire pour j J ; alors, en prenant A j = Ω A j pour tout j / J, on a n j=1 A j = j J A j et l on obtient P ( j J A ) j = j J P (A j), puisque P (Ω) = 1. 9
10 Notons que, étant donnés n événements A 1,..., A n, ils sont indépendants si et seulement si les tribus A k = {, A k, A c k, Ω} que chacun engendre sont indépendantes. Définition 4.4 Etant données n variables aléatoires X k : Ω d k, 1 k n, on dit qu elles sont indépendantes si les tribus A X1,..., A Xn qu elles engendrent sont indépendantes. On notera X Y lorsque les v.a. X et Y sont indépendantes. Comme : A Xk = {X 1 k (B) ; B Bor(d k )}, cela revient à dire que, pour tous B k Bor( d k ), 1 k n : P (X k B k, k n) = P (X 1 B 1 ) P (X n B n ) On notera que n événements A 1,..., A n sont indépendants si et seulement si les v.a.r. 1I A1,..., 1I An le sont, car A 1IAk = {, A k, A c k, Ω}. emarque. Une v.a. est indépendante d elle-même si et seulement si elle est constante (presque sûrement), et toute v.a. p.s. constante est indépendante de toutes les autres v.a., comme on pourra le vérifier à titre d exercice. Proposition 4.5 Si les v.a. X k : Ω d k, 1 k n, sont indépendantes, alors, pour toutes fonctions boréliennes f k : d k d k, les v.a. fk (X k ), 1 k n, sont encore indépendantes. En effet, f k (X k ) est A Xk -mesurable ; donc σ[f k (X k )] σ(x k ). Définition 4.6 Soit X 1,..., X n : Ω des v.a.r.. La loi du n-uplet X = (X 1,..., X n ), définissant un vecteur aléatoire X : Ω n, est appelée la loi conjointe des v.a.r. X 1,..., X n. Les lois de X 1,..., X n s appellent les lois marginales du v.a. X. Le théorème suivant est essentiel, car c est la plupart du temps en l utilisant que l on démontre l indépendance de v.a.r. car il est très facile d utilisation. Théorème 4.7 Les v.a.r. X 1,..., X n : Ω sont indépendantes si et seulement si leur loi conjointe P (X1,...,X n) est égale au produit des lois marginales P Xk : P (X1,...,X n) = P X1 P X1. Bien sûr, on aura de même : 10
11 Théorème 4.8 Les v.a. X k : Ω d k, 1 k n, sont indépendantes si et seulement si P (X1,...,X n) = P X1 P Xn. Preuve. Pour tous boréliens B 1,..., B n, on a : P (X k B k, k n) = P ( (X 1,..., X n ) B 1 B n ) = P (X1,...,X n)(b 1 B n ). Les v.a. X 1,..., X n sont donc indépendantes si et seulement si, pour tous boréliens B 1,..., B n, on a : P (X1,...,X n)(b 1 B n ) = P X1 (B 1 ) P Xn (B n ). Par définition (et l unicité) de la mesure-produit, cela signifie que P (X1,...,X n) est égale à P X1 P Xn. Corollaire 4.9 Si les variables aléatoires réelles X 1..., X n sont intégrables et indépendantes, leur produit est intégrable et l espérance de leur produit est égal au produit de leurs espérances : E (X 1 X n ) = E (X 1 ) E (X n ). Bien sûr, cette égalité est loin de suffire pour avoir l indépendance. Preuve. On a : X 1 X n dp = x 1 x n dp (X1,...,X n)(x 1,..., x n ) Ω n = x 1 x n d(p X1 P Xn )((x 1,..., x n ) ( n ) ( ) = x 1 dp X1 (x 1 ) x n dp Xn (x n ) par le Théorème de Fubini = E ( X 1 ) E ( X n ) < +, ce qui donne l intégrabilité du produit. Ensuite, le même calcul que ci-dessus, mais sans les valeurs abolues, et en utilisant cette fois-ci le Théorème de Fubini, donne l égalité E (X 1 X n ) = E (X 1 ) E (X n ). Corollaire 4.10 Si les v.a.r. X 1,..., X n indépendantes, alors : sont de carré intégrable et sont Var (X X n ) = Var (X 1 ) + + Var (X n ). 11
12 Bien sûr, là aussi, cette égalité est loin de suffire pour avoir indépendance. Preuve. Il suffit de le montrer pour deux v.a.r. indépendantes X et Y. On peut de plus supposer que E (X) = E (Y ) = 0, puisque la variance est la même pour une v.a.r. et sa v.a.r. centrée. Or, dans ce cas, en utilisant le Corollaire 4.9 : Var (X + Y ) = E [ (X + Y ) 2] = E (X 2 ) + 2 E (X) E (Y ) + E (Y 2 ) puisque E (X) = E (Y ) = 0. = Var (X) + Var (Y ), emarque. Comme Var (X) = X 2 L 2 (P ) lorsque X est centrée, le Corollaire 4.10 dit que si X et Y sont centrées et indépendantes, alors elles sont orthogonales dans l espace de Hilbert L 2 (P ) ; ainsi, pour des v.a.r. centrées : X Y = X Y. Corollaire 4.11 Si les v.a. X 1,..., X n sont indépendantes et ont des densités f X1,..., f Xn, alors X = (X 1,..., X n ) a une densité, définie, pour tout (x 1,..., x n ), par : f X (x 1,..., x n ) = f X1 (x 1 ) f Xn (x n ). Autrement dit, f X = f X1 f Xn. Il est pratique de pouvoir tester l indépendance sur une classe plus petite que la tribu entière. Proposition 4.12 Si, pour 1 k n, on a une famille d événements C k A k, qui est stable par intersection finie, contient une suite croissante dont la réunion est Ω, engendrant la tribu A k : σ(c k ) = A k, et si l on a : ( n P C k ) = n P (C k ), C k C k, 1 k n, alors les tribus A 1,..., A n sont indépendantes. Preuve. Par itération : fixons C 2 C 2,..., C n C n. Les applications : A 1 [0, 1] et A 1 [0, 1] A P ( A n k=2 C ) k A [ n k=2 P (C k) ] P (A) sont des mesures positives bornées qui sont égales sur C 1. Par le Théorème d unicité des mesures, elles sont égales sur A 1. On recommence ensuite, en fixant A 1 A 1, et C 3 C 3,..., C n C n, et ainsi de suite. Corollaire 4.13 Les v.a. X k : Ω d k, 1 k n, sont indépendantes dès que : P (X k D k, k n) = n P (X k D k ), D k D k, 1 k n, 12
13 où chaque D k Bor( d k ) est stable par intersection finie, contient une suite croissante dont la réunion est d k et qui engendre Bor( d k ). Preuve. Il suffit de prendre C k = {X 1 k (D k) ; D k D k } = X 1 k (D k), et d utiliser la formule de transfert : σ [ X 1 k (D k) ] = X 1 [ k σ(dk ) ] ; on a donc σ(c k ) = A Xk. Corollaire 4.14 Les v.a.r. X 1,..., X n : Ω sont indépendantes si et seulement si : n P (X k x k, k n) = F Xk (x k ), x 1,..., x n. On a une variante de la Proposition 4.12 : Proposition 4.15 Soit, pour 1 k n, C k A k stable par intersection finie et engendrant A k. Si C 1,..., C n sont indépendants pour tous les choix de C 1 C 1,..., C n C n, alors les tribus A 1,..., A n sont indépendantes. Preuve. Si l on pose C k = C k {Ω}, alors C k vérifie les conditions de la Proposition 4.12, puisque, si C k C k et si J est l ensemble des k n pour lesquels C k = Ω, on a, grâce à l indépendance des C k pour k / J : ( n P ) ( C k = P k / J 5 Fonction caractéristique 5.1 Généralités ) C k = P (C k ) = k / J n P (C k ). Définition 5.1 La fonction caractéristique (en abrégé f.c.) d une v.a.r. X : Ω est définie par : Φ X (t) = E ( e itx), t. En d autres termes : Φ X (t) = e itx dp X (x). emarquons que lorsque X a une densité f X, cela s écrit : Φ X (t) = e itx f X (x) dx ; 13
14 on reconnaît la définition de la transformée de Fourier de f X : Φ X (t) = ( ) ( F f X t ) 2π Plus généralement, on peut définir la transformée de Fourier d une mesure. Définition 5.2 Soit m une mesure complexe sur muni de sa tribu borélienne. La transformée de Fourier de m est définie par : ( ) F m (t) = ˆm(t) = e 2πitx dm(x), x. Cela s applique en particulier lorsque m est une mesure positive bornée, donc lorsque m est une probabilité. Pour toute v.a.r. X, on a donc : Φ X (t) = ( ) ( F P X t ) 2π Le Théorème de convergence dominée donne immédiatement : Proposition 5.3 F m = ˆm est une fonction continue bornée sur (c est-àdire que F : M () C b ()) et ˆm(t) m () = m (0). Corollaire 5.4 Pour toute v.a.r. X, on a Φ X C b () ; de plus Φ X (0) = 1 et Φ X (t) 1 pour tout t. Théorème 5.5 F est injective sur M (). Corollaire 5.6 Si deux v.a.r. ont la même fonction caractéristique, alors ces deux v.a.r. ont la même loi. Autrement dit : si Φ X = Φ Y, alors P X = P Y : la fonction caracéristique détermine la loi. Notation. On écrira X L = Y lorsque X et Y ont la même loi. Bien sûr, on ne peut rien dire des v.a.r. elle-mêmes ; elles pourraient d ailleurs ne même pas être définies sur le même espace de probabilité. Preuve. Soit m M (), et soit m = h. m sa décomposition polaire (on a 14
15 h = 1 m -p.p.). Pour toute f L 1 (), on a, par le Théorème de Fubini : [ ] ˆf(y) dm(y) = f(x) e 2πixy dx dm(y) [ ] = f(x) e 2πixy dx h(y) d m (y) [ ] = f(x) e 2πixy h(y) d m (y) dx [ ] = f(x) e 2πixy dm(y) dx = f(x) ˆm(x) dx. Donc, si ˆm = 0, on a ˆf(y) dm(y) = 0 pour toute f L 1 (). Comme F L 1 () est dense dans C 0 (), on a aussi g(y) dm(y) = 0 pour toute g C 0() ; donc m = 0 (car, par exemple, on aura m([a, b]) = 0 pour tout intervalle [a, b] de, en approchant 1I [a,b] par une suite de fonctions de C 0 ()). 5.2 Fonction caractéristique de la loi normale Théorème 5.7 Si X N (m, σ 2 ), alors : Φ X (t) = exp (imt σ2 t 2 ). 2 En particulier, si Z N (0, 1) est centrée réduite, alors Φ Z (t) = e t2 /2. Le calcul, dans le cas centrée réduite a été fait dans le cours d Analyse Fonctionnelle. Dans le cas général, il suffit d utiliser le résultat immédiat suivant, puisque si X N (m, σ 2 ), alors X = σz + m avec Z N (0, 1). Lemme 5.8 Pour toute v.a.r. Y, on a a, b. Une des propriétés importantes des f.c. est la suivante. Φ ay +b (t) = e ibt Φ Y (at), pour tous Théorème 5.9 Si X et Y sont deux v.a.r. indépendantes, alors : Φ X+Y (t) = Φ X (t) Φ Y (t), t. Preuve. Φ X+Y (t) = E ( e it(x+y )) = E ( e itx e ity ) = E ( e itx) E ( e ity ) (Proposition 4.9 et Proposition 4.5) = Φ X (t) Φ Y (t). 15
16 On en déduit l important résultat suivant. Corollaire 5.10 Si X 1 N (m 1, σ 2 1) et X 2 N (m 2, σ 2 2) sont deux v..a.r. gaussiennes indépendantes, alors leur somme X 1 + X 2 est encore gaussienne, et suit la loi N (m 1 + m 2, σ σ 2 2). Notons que, de toute façon, dès que l on sait que X 1 + X 2 est gaussienne N (m, σ 2 ), on sait que m = E (X 1 + X 2 ) = E (X 1 ) + E (X 2 ) = m 1 + m 1 et que, grâce à l indépendance (Proposition 4.10), σ 2 = Var (X 1 + X 2 ) = Var (X 1 ) + Var (X 2 ) = σ σ 2 2 ; mais on va tout obtenir d un coup. Preuve. Il suffit d appliquer le Théorème 5.9 : Φ X1+X 2 (t) = Φ X1 (t) Φ X2 (t) = exp (im 1 t σ2 1t 2 ) exp (im 2 t σ2 2t 2 ) 2 2 = exp (i(m 1 + m 2 )t (σ2 1 + σ2)t 2 2 ), 2 et d utiliser le Théorème 5.7 et le Théorème Dérivabilité Pour terminer, signalons juste le résultat suivant, conséquence immédiate du Théorème de dérivation sous les intégrales, qui permet de calculer les moments d une v.a.r. lorsque l on connaît sa f.c.. Proposition 5.11 Soit r un entier 1. Si X a un moment d ordre r, alors Φ X est r fois continûment dérivable et Φ (r) X (0) = ir E (X r ). 16
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 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 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 détailIntégration 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 détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
Plus en 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 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 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 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 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 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 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 détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en 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 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 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 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 détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
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 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 détailConstruction 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 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 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 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 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 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 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 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 détailThéorie de la Mesure et Intégration
Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 & UE LM365 Intégration 2 Année 2010 11 Théorie de la Mesure et Intégration Responsable des cours : Amaury LAMBERT
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
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 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 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 détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en 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 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 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 détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en 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 détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en 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 détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en 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 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 détailOM 1 Outils mathématiques : fonction de plusieurs variables
Outils mathématiques : fonction de plusieurs variables PCSI 2013 2014 Certaines partie de ce chapitre ne seront utiles qu à partir de l année prochaine, mais une grande partie nous servira dès cette année.
Plus en détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
Plus en détailIntégrale de Lebesgue
Intégrale de Lebesgue L3 Mathématiques Jean-Christophe Breton Université de Rennes 1 Septembre Décembre 2014 version du 2/12/14 Table des matières 1 Tribus (σ-algèbres) et mesures 1 1.1 Rappels ensemblistes..............................
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en 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 détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en 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 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 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 détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
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 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 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 détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en 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 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 détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailMesure 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 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 détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en 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 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 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 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 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 détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
Plus en détailThéorie de la mesure. S. Nicolay
Théorie de la mesure S. Nicolay Année académique 2011 2012 ii Table des matières Introduction v 1 Mesures 1 1.1 Sigma-algèbres................................. 1 1.2 Mesures.....................................
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
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 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 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 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 détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailIntégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :
Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en 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 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 détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailCarl-Louis-Ferdinand von Lindemann (1852-1939)
Par Boris Gourévitch "L'univers de Pi" http://go.to/pi314 sai1042@ensai.fr Alors ça, c'est fort... Tranches de vie Autour de Carl-Louis-Ferdinand von Lindemann (1852-1939) est transcendant!!! Carl Louis
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 détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
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 détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
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 détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détail