Processus et martingales en temps continu

Dimension: px
Commencer à balayer dès la page:

Download "Processus et martingales en temps continu"

Transcription

1 Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de variables (M ) 0 est dite adaptée à (F ) 0 si pour tout 0, M est F -mesurable. Ue suite de variables (M ) 0 est ue (F ) 0 -sousmartigale discrète si elle est adaptée et si pour tout 0, M L 1 et M E[M +1 F ]. Ue suite de variables (M ) 0 est ue (F ) 0 -surmartigale discrète si elle est adaptée et si pour tout 0, M L 1 et M E[M +1 F ]. Ue suite de variables (M ) 0 est ue (F ) 0 -martigale discrète si elle est adaptée et si pour tout 0, M L 1 et M = E[M +1 F ]. Exemple 1.2 Soit Z L 1, alors M = E[Z F ] est ue (F ) 0 -martigale. Propositio 1.3 Iégalité de Jese coditioelle Soit M L 1 (F), G ue sous-tribu de F et ϕ ue foctio covexe telle que ϕ(m) L 1 (F), alors ϕ (E[M G]) E [ϕ(m) G]. Coséquece 1.4 Si (M ) 0 est ue (F ) 0 -sousmartigale, alors (M + ) 0 est ue (F ) 0 - sousmartigale. Rappel : x + = x 0. Propositio 1.5 Si (M ) 0 est ue (F ) 0 -martigale et ϕ ue foctio covexe, telle que 0, ϕ(m ) L 1. Alors (ϕ(m )) 0 est ue (F ) 0 -sousmartigale. 27

2 Martigales et temps d arrêt Défiitio 1.6 Ue v.a. T à valeurs das [0, + ] est u (F ) 0 -temps d arrêt si 0 {T = } F. O défiit la tribu F T la tribu des évéemets atérieurs à T F T = {Λ F : Λ {T = } F 0}. Propositio Soit (M ) 0 ue (F ) 0 -martigale (sur ou sous) et T u (F ) 0 - temps d arrêt. Alors (M T ) 0 ue (F ) 0 -martigale (sur ou sous), où M T = M T. 2. Si Y L 1, alors E[Y F T ] = IN E[Y F ]I T =. Preuve. 1. M T = M I T + M T I T < est bie F -mesurable et das L 1 et E[M+1 F T ] = E[M +1 F ]I T +1 + M T I T <+1 = M T 2. Soit Z L (F T ), alors ZI T = est ue v.a. F -mesurable et E[Y Z] = E[Y ZI T = ] = E Z I T = E[Y F ]. IN IN Théorème 1.8 Théorème d arrêt Soit (M ) 0 est ue (F ) 0 -martigale (sur ou sous). Soit T et S deux (F ) 0 -temps d arrêt avec S T et T boré. Alors E[M T F S ] = M S (resp. et ). Preuve. Supposos que S T. Si S = p est détermiiste. Supposos T boré par K. (M T ) 0 est ue martigale, doc pour p E[M T F p ] = M T p = M p. Pour K, o a M T = M T et doc E[M T F p ] = M p. Si S est aléatoire, E[M T F S ] = E[M T F ]I S= = M I S= = M S. 1.2 Iégalités importates Propositio 1.9 Lemme Maximal Soit C > 0. Si (M ) 0 est ue sousmartigale, alors P (sup Si (M ) 0 est ue martigale, alors P (sup Si (M ) 0 est ue surmartigale positive, alors M C) 1 C sup E[M + ]. M C) 1 C sup E[ M ]. P (sup M C) 1 C E[M 0].

3 Le mouvemet Browie e tat que processus de Markov 29 Preuve. 1. O cosidère le temps d arrêt T = if{ 0 : M C}. O pose τ = T, d où CI {T } M τ + car C > 0. O utilise alors le théorème d arrêt (pour la sous-martigale (M + ) avec S = τ et T = ), C IP(T ) E[M τ + ] E[M + ]. et o fait +. Comme IP(T < ) = P (sup M C), o a le résultat. 2. M et M sot des sousmartigales. 3. De même o a CI {T } M τ et par le théorème d arrêt E[M τ ] E[M 0 ]. Propositio 1.10 Iégalité du ombre de motées 1. Soit (M ) 0 est ue surmartigale et m M a,b () le ombre de motées de a à b effectuées par M avat l istat. Alors E[m M a,b()] 1 b a E[(M a) ]. 2. Soit (M ) 0 est ue sousmartigale et m M a,b () le ombre de descetes de b à a effectuées par M avat l istat. Alors E[m M a,b()] 1 b a E[(M b) + ]. Preuve. O remarque que 2. implique 1. car M est ue sousmartigale et m M a,b () = m M b, a (). Prouvos 2. O décrit les périodes de descete avec la suite croissate de temps d arrêt suivats : T 0 = 0, T 1 = if{ 0 : M > b}, T 2 = if{ T 1 : M < a},..., T 2p 1 = if{ T 2p 2 : M > b}, T 2p = if{ T 2p 1 : M < a},... Pour tout p, M T2p 1 b est ue sousmartigale, positive sur {T 2p 1 }. O a doc Par coséquet, 0 E[(M T2p 1 b)i T2p 1 ] E[(M T2p b)i T2p 1 ] (Théorème d arrêt) E[(M T2p b)i T2p ] + E[(M b)i T2p 1 <T 2p ] (a b) IP(T 2p ) + E[(M b) + I T2p 1 <T 2p ] (b a) p IP(m M a,b () p) p E[(M b) + I T2p 1 <T 2p ] c est à dire (b a)e[m M a,b ()] E[(M b) + ]. Propositio 1.11 Iégalité de Doob Soit (M ) 0 est ue martigale (ou sousmartigale positive), p, q > 1 tels que 1 = 1 p + 1 q. Alors sup M p q sup M p, N N où. p est la orme L p. Preuve. Il suffit de motrer que si X, Y sot deux v.a. positives telles que C > 0 C IP(Y C) E[XI Y C ] alors p, q > 1 tels que 1 = 1 p + 1 q Y p q X p.

4 30 E effet, car si M martigale alors M est ue sousmartigale positive, il doc suffit d utiliser le résultat avec Y = sup N M et X = M. Si f est ue foctio positive croissate càd telle que f(0) = 0, alors Y E[f(Y )] = E[X 0 1 z df(z)] E preat, f(y) = y p, o obtiet le résultat. 1.3 Théorèmes de covergece Défiitio 1.12 Ue famille de v.a. (X i ) i I est dite uiformémet itégrable (U.I.) si lim sup E[ X i I a + Xi >a] = 0. i I Exemple Si i I, X i X avec X L 1, la famille (X i ) i I est uiformémet itégrable. Par coséquet, ue suite borée est U.I. 2. Si p > 1, sup i I E[ X i p ] <, la famille (X i ) i I est uiformémet itégrable. Preuve. 1. E[ X i I Xi >a] E[XI X>a ] et comme X L 1, o a bie lim a + E[XI X>a] = E[ X i I Xi >a] E[ X i p ] 1/p IP( X i > a) 1/q E[ X i p ]/a p/q. Théorème 1.14 Soit (X ) 0 ue suite de v.a. et X L 1. X L 1 X ssi X proba X et (X ) 0 U.I. Covergece p.s. Théorème 1.15 Soit (M ) 0 ue sous-martigale à valeurs das IR telle que sup E[M + ] <, alors il existe M L 1 telle que M + M ps. Preuve. Le ombre de descetes vérifie E[m M a,b (IN)] <, doc mm a,b (IN) < p.s. Soit N l esemble de mesure sur lequel m M a,b ( ) = pour tout a, b Q. Soit ω / N. Si M t(ω) e coverge pas, alors il existe a, b Q : lim if M t (ω) < a < b < lim sup M t (ω). Cotradictio, doc la martigale coverge p.s.. Notos M sa limite. Par ailleurs, comme M = 2M + M et E[M 0 ] E[M ], o a E[ M ] 2E[M + ] E[M 0 ] Doc sup E[ M ] <. D après le lemme de Fatou, E[ M ] lim if E[ M ] sup E[ M ] <. Doc M L 1.

5 Le mouvemet Browie e tat que processus de Markov 31 Covergece e moyee Théorème 1.16 Soit (M ) 0 ue martigale. Il y a équivalece etre les propriétés suivates : 1. Z L 1 tel que IN M = E[Z F ], 2. (M ) 0 est U.I., 3. (M ) 0 coverge das L 1. O a alors Z = M, la martigale est dite fermée, i.e. (M ) est ue martigale. IN Preuve. 1 2 : Par Jese E[ M I M >a] E[ Z I M >a]. Comme Z L 1, la suite ( Z I M >a) est U.I. (Voir l exemple ), doc (M ) 0 est U.I. 2 3 : D après le théorème précédet, o a M coverge p.s. vers M, doc coverge das L 1 car U.I. 3 1 : O a M = E[M +p F ] pour tout p 0. Comme l espérace coditioelle est cotiue sur L 1, e faisat tedre p +, d où le résultat. Corollaire 1.17 Soit (M ) ue sous-martigale idexée par IN ou Z, i.e. F F +1 et M = E[M +1 F ] pour 0. Alors M coverge quad p.s. et das L 1. Par coséquet, (M ) sous martigale. IN Preuve. E effet, pour tout 0, E[X + ] E[X 0 + ] <. Il y a doc covergece p.s. Par ailleurs, M E[M 0 F ] pour tout 0. La sous-martigale est doc U.I. Propositio 1.18 Soit (M ) 0 ue surmartigale positive, alors (M ) 0 coverge p.s. et das L 1 vers M et (M ) est ue surmartigale. IN 2 Processus e temps cotiu Soit (Ω, F, (F t ) t 0, IP) u espace probabilisé filtré. Défiitio 2.1 Soit X = (X t, t 0) u processus défii sur (Ω, F, (F t ) t 0, IP). Le processus X est dit mesurable si l applicatio X : [0, [ Ω (E, E) (t, ω) X t (ω) est mesurable par rapport à B([0, [) F. Le processus X est dit adapté si t 0 X t est F t -mesurable. Le processus X est dit progressivemet mesurable (ou progressif) si t 0 l applicatio X : [0, t] Ω E est mesurable par rapport à la tribu B([0, t]) F t. (s, ω) X s (ω) Défiitio 2.2 Soit X = (X t, t 0) u processus. La filtratio aturelle de X est défiie par Ft X = σ(x s, 0 s t). Remarque Si (F X t ) t 0 est la filtratio aturelle de X alors X est adapté à (F X t ) t U processus progressif est adapté (la réciproque est fausse).

6 32 3. U processus mesurable et adapté admet ue versio progressivemet mesurable (Théorème de Chug et Doob (1965), voir [4]). Exemple Cosidéros ue suite de temps 0 < t 1 <... < t, et h 1,..., h des v.a. telles que i h i est F ti -mesurable. O pose t 0 = 0 et t +1 = +. Les processus suivats X = h i I [ti,t i+1[ et Y = h 0 I {0} + h i I ]ti,t i+1] sot progressivemet mesurables. i=0 2. Si la filtratio est complète, u processus X adapté dot les trajectoires sot cotiues à gauche (càg) est progessivemet mesurable. Preuve. 1. Regardoc le premier processus, l étude du secod est similaire. Soit B E, où E tribu sur E, o a {(s, ω) [0, t] Ω : X t (ω) B} = Doc X est progressivemet mesurable. i=0 [t i, t i+1 [ [0, t] {ω Ω : h i (ω) B} i=0 B([0, t]) F t. 2. O approche le processus X par Xt = X k2 sur t [k2, (k+1)2 [, k {0,..., 2 1}. Le processus X est progressivemet mesurable et comme X est càg, t 0, p.s. Xt X t. Doc X est progressif. + Propositio 2.5 Soit X u processus adapté et cotiu à droite (càd) alors X est progressif. Preuve. O défiit Xt = X (k+1)2 sur t [k2, (k+1)2 [. Le processus X est (F t+2 ) t 0 - progressif et comme X est càd t 0, p.s. Xt X t. + O fixe t 0 et o défiit maiteat X s = Xs I s<t 2 + X t I s=t. Ce processus est mesurable par rapport à B([0, t]) F t. Par ailleurs, quad +, Xs X s pour s t. Doc la restrictio de X à [0, t] est mesurable par rapport à B([0, t]) F t, i.e. X est progressif. Propositio 2.6 Soit X u processus progressif et T u (F t ) t 0 -temps d arrêt. Alors X T I {T < } est F T -mesurable. Preuve. Supposos T fii. O fixe t 0, X [0,t] est B([0, t]) F t -mesurable et T I {T t} est F t -mesurable. Par compositio, X T I {T t} est F t -mesurable. Doc X T est F T -mesurable. Propriété 2.7 Les lois fiis dimesioelles caractériset la loi d u processus. 3 Martigales e temps cotiu Soit (Ω, F, (F t ) t 0, IP) u espace probabilisé filtré. 3.1 Défiitio et exemples Défiitio 3.1 Soit M u processus adapté avec t 0, M t L 1. O dit que - M est ue (F t ) t 0 -sousmartigale si M t E[X t+s F t ] pour tout t, s 0. - M est ue (F t ) t 0 -surmartigale si M t E[M t+s F t ] pour tout t, s 0. - M est ue (F t ) t 0 -martigale si M t = E[M t+s F t ] pour tout t, s 0.

7 Le mouvemet Browie e tat que processus de Markov 33 Exemple 3.2 Exemple importat de Martigale. Soit Z L 1 ue variable aléatoire. Alors M = (M t, t 0) avec M t = E[Z F t ] est ue martigale. Exemple 3.3 Soir B u mouvemet browie et (F B t ) t 0 sa filtratio aturelle. 1. B est ue (F B t ) t 0 -martigale. 2. (B 2 t t, t 0) est ue (F B t ) t 0 -martigale. 3. (exp(ab t a2 2 t), t 0) est ue (F B t ) t 0 -martigale, pour a IR. Elle est appelée martigale expoetielle associée au Browie. Exemple 3.4 Si X est u processus à accroissemet idépedats avec X t L 1 pour tout t 0 et (F t ) t 0 sa filtratio aturelle. Alors (X t E[X t ], t 0) est ue (Ft X ) t 0 -martigale. Remarque 3.5 Soit M et N deux martigales idépedates telles que t 0 M t, N t L 2. O ote (F t ) t 0 la filtratio aturelle de (M, N). Alors MN = (M t N t, t 0) est ue (F t ) t 0 -martigale. Si o a juste M t et N t idépedates pour tout t 0, le résultat est faux e gééral. Preuve. Par Cauchy-Schwartz, o a bie t 0 M t N t L 1. Soiet t, s 0 et Y F t telle que Y = Y 1 Y 2 avec Y 1 σ(m s, s t) et Y 2 σ(n s, s t). Alors E[M t+s N t+s Y ] = E[M t+s Y 1 ]E[N t+s Y 2 ] par idépedace = E[M t Y 1 ]E[N t Y 2 ] car M etn martigales = E[M t N t Y ] par idépedace. Soit E = {Y L (F t ) : E[M t+s N t+s Y ] = E[M t N t Y ]}. C est u espace vectoriel qui cotiet les costates et stable par covergece mootoe. Les variables de la forme Y 1 Y 2 avec Y 1 σ(m s, s t) et Y 2 σ(n s, s t) egedret L (F t ), d où le résultat. 3.2 Premières propriétés Soit D u esemble déombrable dese de IR +. Par exemple, l esemble des dyadiques D = D avec D = {k2, k IN}. Propositio 3.6 Iégalité Maximale Soit M ue (F t ) t 0 -martigale. Alors pour tout C > 0 P ( sup s [0,t] D Si de plus M a des trajectoires càd, M s C) 1 C sup E[ M s ]. 0 s t P ( sup M s C) 1 s [0,t] C sup E[ M s ]. 0 s t Preuve. O utilise l iégalité Maximale pour des martigales discrètes. O a P ( sup M s C) 1 s [0,t] D C sup s [0,t] D E[ M s ] 1 C sup E[ M s ] 0 s t O obtiet le résultat par covergece mootoe quad +. Par ailleurs, lorsque M est càd sup s [0,t] D M s = sup s [0,t] M s.

8 34 Propositio 3.7 Iégalité de Doob Soit M ue (F t ) t 0 -martigale (ou sousmartigale positive), p, q > 1 tels que 1 = 1 p + 1 q. Alors Si de plus M a des trajectoires càd, sup M s p q sup M s p. s [0,t] D s [0,t] sup M s p q sup M s p. s [0,t] s [0,t] Théorème 3.8 Régularisatio de surmartigales Soit (Ω, F, (F t ) t 0, IP) u espace probabilisé filtré, avec (F t ) t 0 satisfaisat aux coditios habituelles (i.e. complète et cotiue à droite). Soit M ue (F t ) t 0 -surmartigale telle que t E[M t ] soit càd. Alors il existe ue versio M de M telle que i) p.s. t M t est cotiue à droite avec des limites à gauche (càdlàg) ii) M est ue (F t ) t 0 -surmartigale. Remarque Si M est ue martigale alors so espérace est costate, doc cotiue. 2. Si M est ue sousmartigale, alors M est ue surmartigale! Preuve. O cosidère u esemble déombrable dese D de [0, + [. O va motrer le lemme suivat Lemme 3.10 Soit (Ω, F, (F t ) t 0, IP) u espace probabilisé filtré et M ue (F t ) t 0 -surmartigale. Alors avec probabilité 1 o a i) t 0 M t + = s lim M s existe, aisi que M t = lim M s, t,s D s t,s D ii) t 0 M t E[M t + F t ], avec égalité dès que la foctio s E[M s ] est cotiue à droite (ce qui est le cas des martigales car l espérace est costate). E particulier, o a M t + L 1. iii) (M t +, t 0) est ue (F t +) t 0 surmartigale. E effet, pour prouver le théorème à partir du lemme, il suffit juste de défiir M t = lim M s. s t,s D C est bie ue versio de M, car si l espérace est càd, o a M t = E[ M t F t ] et comme la filtratio est càd F t + = F t, Mt est doc F t -mesurable. De plus, M est ue (Ft ) t 0 surmartigale càdlàg. Preuve du Lemme. i) Existece de limites à gauche et à droite D après l iégalité maximale, pour N IN o a sup s [0,N] D M s <. Soiet a, b Q et m M a,b (t) le ombre de motées de M le log de D de a à b avat l istat t. E utilisat le résultat sur les surmartigales à temps discrèt, o obtiet E[m M a,b(t)] 1 b a sup E[ M s a ]. 0 s t E particulier, m M a,b (t) < p.s. E utilisat la même démostratio que celle du Théorème 1.15, o obtiet que p.s. M admet des limites à gauche et à droite e tout t 0 le log de D. ii) Motros que t 0 M t E[M t + F t ]. Soit t 0 fixé et (t ) ue suite décroissate de D qui coverge vers t. O a M t M t + p.s. O ote G p = F t p et N p = M t p pour p 0. Alors N est ue (G p ) p 0 -surmartigale sur IN. Doc elle coverge das L 1 d après le Corollaire Doc M t M t + das L 1, d où X t + L 1 et comme 0 M t E[M t F t ] et par passage à la limite M t E[M t + F t ] p.s. O a égalité si l espérace est cotiue à droite, car alors E[M t ] = lim E[M t ] = lim E[E[M t F t ]] = E[M t +]. + +

9 Le mouvemet Browie e tat que processus de Markov 35 iii) (M t +, t 0) est ue (F t +) t 0 surmartigale. Comme M t est F t -mesurable, M t + est F t +-mesurable. Soit t, s 0, il existe (u ) suite de décroissate de D covergeat vers t + s. Soit 0 < ε < s fixé. Alors E[M (t+s) + F t+ε ] = lim + E[M u F t+ε ] M t+ε O choisir alors (ε ) 0 décroissate vers 0 telle que t+ε D. E utilisat ecore le Corollaire 1.17 à N p = E[M (t+s) + F t+ε p ] pour p 0, o a lim E[M (t+s) + F t+ε ] = E[M (t+s) + F t+ε ] = E[M (t+s) + F t +] p.s. et das L Comme M t+ε M t + p.s., le résultat est prouvé. 3.3 Covergece des martigales cotiues Théorème 3.11 Soit M ue (F t ) t 0 -sous martigale cotiue à droite, avec. sup t 0 E[M + t ] <. Alors M t coverge p.s. quad t +. O ote M sa limite. O a de plus M L 1. Remarque 3.12 E gééral la covergece a pas lieu das L 1. Preuve. Pour tout a < b le ombre de motée de a à b le log des dyadiques est fii p.s. car E[m M a,b(t)] 1 b a sup E[(M s a) ]. O fait tedre t + et doc E[m M a,b ( )] <. La suite de la preuve est la même que das le cas discret. s t Défiitio 3.13 O dit qu u processus X est uiformémet itégrable si lim sup E[ X t I a + Xt >a] = 0. O dit qu ue martigale M est fermée s il existe ue v.a. Z L 1 telle que t 0 t 0 M t = E[Z F t ] p.s.. Théorème 3.14 Soir M ue martigale càd. Il y a équivalece etre les propriétés suivates : 1. M est ue martigale fermée, 2. M est uiformémet itégrable, 3. il existe M L 1 telle que lim t + M t = M p.s. et das L 1. O a alors que p.s. M t = E[M F t ]. Preuve. Même preuve que das le cas discret. 3.4 Théorème d arrêt Théorème 3.15 Soit M ue (F t ) t 0 -martigale (sur ou sous) càd fermée. O ote M sa limite. Soit T u (F t ) t 0 -temps d arrêt. O pose M T = M sur {T = }. Alors E[M F T ] = M T p.s. (resp et ) et le processus arrêté M T = (M T t, t 0) est ecore ue martigale uiformémet itégrable de valeur termiale M T. E particulier, E[M T ] = E[M 0 ] = E[M ].

10 36 Preuve. Évidet. i) T détermiiste. ii) T temps d arrêt simple. O ote t 0, t 1,... les valeurs prises par T. O a M T = M t sur {T = t }. Par ailleurs, M T est F T -mesurable car M est càd, d où progressivemet mesurable. Soit Λ F T. Par Fubii, o a E[M I Λ ] = E[M I Λ I T =t ] = E[M t I Λ I T =t ] = E[M T I Λ ] Doc E[M F T ] = M T. ii) Cas gééral. Il existe ue suite décroissate de t.a. simples T qui coverge p.s. vers T. O a E[M F T ] = M T, d où E[M F T ] = E[M T F T ] (e effet F T F T ). Par ailleurs, M T coverge vers M T, car les trajectoires sot càd. Motros que cette covergece a lieu das L 1. Notos pour p 0 G p = F T p. O a G p G p+1. Notos N p = M T p. Alors N est ue (G p ) p 0 -martigale idexée par IN (car la suite de t.a. est décroissate). Elle coverge doc das L 1 d après le Corollaire Par coséquet, M T coverge vers M T das L 1 et doc E[M F T ] = M T. Remarque 3.16 Sous les hypothèses du théorème, o a E[M T F t ] = M t T. Remarque Le théorème s applique aux (sur ou sous) martigales càd borées. 2. Si T est boré, il suffit de supposer la martigale M càd. (E effet, si T 1, M t = E[M 1 F t ] doc fermée sur l itervalle de temps [0, 1].) Attetio : Le théorème e s applique que lorsque la martigale est fermée ou le temps d arrêt boré. E effet si B est u mouvemet browie (c est bie ue martigale), e posat T a = if{t 0 : B t = a}, o a B Ta = a et E[B 0 ] = 0 a = E[B Ta ] pour a > 0. Corollaire 3.18 Si M est ue (sur ou sous) martigale càd fermée et T, S deux temps d arrêt avec S T, alors M T L 1 et E[M T F S ] = M S (resp et ). Si T et S sot deux t.a. borés il suffit de supposer M martigale càd. 4 Processus de Poisso Le processus de Poisso est utilisé par exemple pour modéliser les files d attete comme les arrivées des appels téléphoiques à u cetral. Défiitio 4.1 soit λ > 0 et (S ) 1 ue suite de v.a. idépedates de loi expoetielle E(λ). O pose T = S S. O défiit alors le processus de comptage N = (N t, t 0) à valeurs das IN { } N t = 1 I {T t}. Ce processus est appelé processus de Poisso d itesité λ. Défiitio 4.2 O défiit (Ft N ) t 0 la filtratio aturelle complétée du processus de Poisso.

11 Le mouvemet Browie e tat que processus de Markov 37 Remarque 4.3 O peut aussi écrire le processus sous la forme N t = sup{ 0 : T t}. Iversemet, o remarque que T est u (F N t ) t 0 -temps d arrêt, T = if{t 0 : N t = }. Si t > s, o a N t N s = 1 I {s<t t}. Théorème 4.4 U processus X à accroisssemets idépedats et statioaires (PAIS) càd vérifie la propriété de Markov forte. Preuve. Voir Chapitre 2, Théorème Défiitio 4.5 équivalete du Processus de Poisso. U processus de Poisso N = (N t, t 0) d itesité λ est u processus de comptage càd tel que i) N(0) = 0 ii) N est u processus à accroisssemets idépedats et statioaires. iii) pour tout t 0, N(t) suit la loi de Poisso P(λt). Preuve. Soit N u processus de Poisso au ses de la Défiitio 4.1. O a bie N(0) = 0. Soiet 0 t 1 < t 2 <... < t, alors N(t + s) N(t) = 1 I {t<t t+s}. Comme {N t = k} = {S S k t < S S k+1 } si k 1,..., k IN, e posat K i = k k i o a alors IP(N t1 = k 1, N t2 N t1 = k 2,..., N t N t 1 = k ) = IP(N t1 = k 1, N t2 = k 2 + k 1,..., N t = K ) = IP(S S K1 t 1 < S S K1+1, S S K2 t 2 < = S S K2+1,..., S S K t < S S K+1)... λ K+1 e P K+1 i=1 s i I {S1+...+S Ki t i<s S Ki +1}ds 1... ds K+1 IR+ i=1 O coclut après quelques calculs horribles...(voir par exemple [2]) Vérifios maiteat que N(t) P(λt). Comme T suit la loi Gamma(, λ), pour 1 IP(N t = ) = IP(T t) IP(T +1 t) t ( ) λ = e λs ( 1)! s 1 λ+1 s ds! 0 λt (λt) = e! Pour = 0, IP(N t = ) = IP(S 1 > t) = e λt. Soit N u processus de Poisso au ses de la Défiitio 4.5. U tel processus vérifie la propriété de Markov forte. Posos T = if{t 0 : N t = }. Pour tout 0, T < p.s. car pour tout t 0 N(t) suit la loi de PoissoP(λt). O défiit S 1 = T 1 et S +1 = T +1 T.

12 38 Motros que S 1 suit la loi expoetielle : IP(S 1 > t + s) = IP(N t+s = 0) = IP(N t = 0, N t+s = 0) = IP(N t = 0) IP(N t+s N t = 0) = IP(N t = 0) IP(N s = 0) IP(S 1 > t + s) = IP(S 1 > t) IP(S 1 > s) cqfd. Comme T est u (Ft N ) t 0 -temps d arrêt, les variables S i = T i T i 1 sot FT N -mesurable, pour i. Motros que S +1 est idépedate de FT N et à même loi que S 1. O remarque que T +1 = if{t T : N t = + 1} Loi = T + if{t 0 : Ñ t = 1} où Ñ est u processus de Poisso idépedat de FT N, N état u PAIS. Par coséquet IP(S +1 > t FT N ) = IP(T +1 T > t FT N ) = IP(S 1 > t) Coséquece 4.6 Soit N u processus de Poisso. N est u PAIS càd qui vérifie la propriété de Markov forte : Soit T u (Ft N ) t 0 -temps d arrêt fii p.s.. O ote N le processus défiit pour s 0 par N s = N T +s N T. Alors le processus N est idépedat de FT N et a même loi que N. Théorème 4.7 soit N u processus de Poisso d itesité λ. Alors les processus suivats sot des martigales : i) Ñ = (N t λt, t 0), ii) ((N t λt) 2 λt, t 0). Ñ est appelé processus de Poisso compesé. Preuve. O utilise le fait que N u est PAIS (voir les exemples de martigale liés au Browie). Remarque 4.8 O peut voir le processus de Poisso comme ue mesure aléatoire sur (IR, B(IR)) : la mesure de l itervalle [s, t] est N(]s, t]) = N t N s. Remarque 4.9 Le mouvemet browie et le processus de Poisso fot partie d ue classe plus grade de processus : les processus de Lévy (processus càd à accroissemets idépedats et statioaires).

13 Bibliographie [1] Jea-Fraçois Le Gall. Itroductio au mouvemet browie. Gazette des Mathématicies, 40, [2] Domiique Foata et Aimé Fuchs. Processus stochastiques. Duod, [3] Daiel Revuz et Marc Yor. Cotiuous martigales ad browia motio. Spriger, [4] Claude Dellacherie et Paul-Adré Meyer. Probabilités et potetiels. Herma, [5] Ioais Karatzas et Steve E. Shreve. Spriger, [6] Hui-Hsiug Kuo. Itroductio to stochastic itegratio. Spriger, [7] Edward Nelso. Dyamical theories of Browia motio. http ://www.math.priceto.edu / elso/books/bmotio.pdf. [8] Philip Protter. Stochastic itegratio ad differetial equatios. Spriger,

14 40

Chapitre 3 : Fonctions d une variable réelle (1)

Chapitre 3 : Fonctions d une variable réelle (1) Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s

Plus en détail

1 Mesure et intégrale

1 Mesure et intégrale 1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios

Plus en détail

Etude de la fonction ζ de Riemann

Etude de la fonction ζ de Riemann Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.

Plus en détail

Limites des Suites numériques

Limites des Suites numériques Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet

Plus en détail

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1 Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S

Plus en détail

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :

Intégration 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 détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **

Plus en détail

Inégalités souvent rencontrées

Inégalités souvent rencontrées Iégalités souvet recotrées Recotres Putam 004 Uiversité de Sherbrooke Jea-Philippe Mori Théorie Certaies iégalités sot deveues célèbres e raiso de leur grade utilité Elles sot aussi souvet au coeur de

Plus en détail

Suites et séries de fonctions

Suites et séries de fonctions [http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n = [http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.

Plus en détail

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson 4 L E Ç O N Loi biomiale Niveau : Première S + SUP (Covergece) Prérequis : Variable aléatoire, espérace, variace, théorème limite cetral, loi de Poisso 1 Loi de Beroulli Défiitio 41 Loi de Beroulli Soit

Plus en détail

Séries réelles ou complexes

Séries réelles ou complexes 6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés

Plus en détail

CHAPITRE 2 SÉRIES ENTIÈRES

CHAPITRE 2 SÉRIES ENTIÈRES CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.

Plus en détail

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3. EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite

Plus en détail

Apprentissage: cours 3a Méthodes par moyennage local

Apprentissage: cours 3a Méthodes par moyennage local Appretissage: cours 3a Méthodes par moyeage local Guillaume Oboziski 1 er mars 2012 Réferece : chap. 6 of [Hastie et al., 2009] ad chap. 6 of [Devroye et al., 1996]. Algorithmes par moyeage local O cosidère

Plus en détail

Approximation de la solution d une équation différentielle ordinaire avec impulsions qui dépendent de l état

Approximation de la solution d une équation différentielle ordinaire avec impulsions qui dépendent de l état Approximatio de la solutio d ue équatio différetielle ordiaire avec impulsios qui dépedet de l état F. Dubeau A. Ouasafi A. Sakat CRM-276 Jauary 21 Départemet de mathématiques et d iformatique, Uiversité

Plus en détail

Comportement d'une suite

Comportement d'une suite Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer

Plus en détail

STATISTIQUE : TESTS D HYPOTHESES

STATISTIQUE : TESTS D HYPOTHESES STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie

Plus en détail

LES PROBABILITÉS POUR LES OPTIONS B, C ET D

LES PROBABILITÉS POUR LES OPTIONS B, C ET D LES PROBABILITÉS POUR LES OPTIONS B, C ET D PRÉPARATION À L AGRÉGATION EXTERNE DE MATHÉMATIQUES DE L UNIVERSITÉ RENNES 1 1 ANNÉE 2009/2010 1. ESPACE PROBABILISÉ - VARIABLE ALÉATOIRE 1.1 ESPACE PROBABILISÉ

Plus en détail

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1 Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a

Plus en détail

14 Chapitre 14. Théorème du point fixe

14 Chapitre 14. Théorème du point fixe Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice

Plus en détail

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1)

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1) Corrigé ESSEC III 008 par Pierre Veuillez Das certaies situatios paris sportifs, ivestissemets fiaciers..., o est ameé à miser de l arget de faço répétée sur des paris à espérace favorable. O se propose

Plus en détail

Les Nombres Parfaits.

Les Nombres Parfaits. Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie

Plus en détail

Introduction : Mesures et espaces de probabilités

Introduction : Mesures et espaces de probabilités Itroductio : Mesures et espaces de probabilités Référeces : Poly cédric Berardi et Jea Michel Morel. J.-F. Le Gall, Itégratio, Probabilités et Processus Aléatoire J.-Y. Ouvrard, Probabilités 2, maîtrise-agrégatio,

Plus en détail

4 Approximation des fonctions

4 Approximation des fonctions 4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour

Plus en détail

Séquence 5. La fonction logarithme népérien. Sommaire

Séquence 5. La fonction logarithme népérien. Sommaire Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa

Plus en détail

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9 Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios

Plus en détail

PROMENADE ALÉATOIRE : Chaînes de Markov et martingales

PROMENADE ALÉATOIRE : Chaînes de Markov et martingales PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières

Plus en détail

Processus géométrique généralisé et applications en fiabilité

Processus géométrique généralisé et applications en fiabilité Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR

Plus en détail

Chaînes de Markov. Arthur Charpentier

Chaînes de Markov. Arthur Charpentier Chaîes de Markov Arthur Charpetier École Natioale de la Statistique et d Aalyse de l Iformatio - otes de cours à usage exclusif des étudiats de l ENSAI - - e pas diffuser, e pas citer - Quelques motivatios.

Plus en détail

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue

Plus en détail

STATISTIQUE AVANCÉE : MÉTHODES

STATISTIQUE AVANCÉE : MÉTHODES STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................

Plus en détail

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour

Plus en détail

20. Algorithmique & Mathématiques

20. Algorithmique & Mathématiques L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus

Plus en détail

Maîtrise de Mathématiques TER Le bandit manchot à deux bras

Maîtrise de Mathématiques TER Le bandit manchot à deux bras Maîtrise de Mathématiques TER Le badit machot à deux bras Deis Cousieau Sous la directio de Jea-Michel Loubes Septembre 2003 Table des matières 1 Présetatio du problème 2 1.1 Exemple de la machie à sous,

Plus en détail

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter

Plus en détail

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces

Plus en détail

Cours de Statistiques inférentielles

Cours de Statistiques inférentielles Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios

Plus en détail

Groupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3

Groupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3 1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que

Plus en détail

Des résultats d irrationalité pour deux fonctions particulières

Des résultats d irrationalité pour deux fonctions particulières Collect. Math. 5, 00, 0 c 00 Uiversitat de Barceloa Des résultats d irratioalité pour deux foctios particulières Richard Choulet 7, Rue du 4 Août, 40 Aveay, Frace E-mail: richardchoulet@waadoo.fr Received

Plus en détail

Probabilité 1 - L1 MMIA

Probabilité 1 - L1 MMIA Probabilité 1 - L1 MMIA Tra Viet Chi, vtra@u-paris10fr, Bureau E12(G) Exercice 1 (Pour démarrer) 1 Soiet A et B deux esembles Rappelez les défiitios de l itersectio A B, de l uio A B, de la différece A

Plus en détail

Cours 5 : ESTIMATION PONCTUELLE

Cours 5 : ESTIMATION PONCTUELLE Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-

Plus en détail

Exercices de mathématiques

Exercices de mathématiques MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris

Plus en détail

Statistique descriptive bidimensionnelle

Statistique descriptive bidimensionnelle 1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets

Plus en détail

Probabilités et statistique pour le CAPES

Probabilités et statistique pour le CAPES Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes

Plus en détail

TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )

TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude

Plus en détail

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009 M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted

Plus en détail

UV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1

UV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1 UV SQ 0 Probabilités Statistiques UV SQ 0 Autome 006 Resposable d Rémy Garadel ( m.-el. remy.garadel@utbm.fr ) page SQ-0 Probabilités - Statistiques Bibliographie: Titre Auteur(s) Editios Localisatio Niveau

Plus en détail

Baccalauréat S Asie 19 juin 2014 Corrigé

Baccalauréat S Asie 19 juin 2014 Corrigé Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps

Plus en détail

EXERCICES : DÉNOMBREMENT

EXERCICES : DÉNOMBREMENT Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris

Plus en détail

P : Dénombrements / Probabilités en univers fini

P : Dénombrements / Probabilités en univers fini P : Déombremets / Probabilités e uivers fii Déombremet & Combiatoire P.1 O tire les cartes! O tire 5 cartes das u jeu de 32 cartes usuel. Combie y a-t-il de tirages possibles vérifiat les coditios suivates

Plus en détail

Séries numériques. Chap. 02 : cours complet.

Séries numériques. Chap. 02 : cours complet. Séris méris Cha : cors comlt Séris d réls t d comlxs Défiitio : séri d réls o d comlxs Défiitio : séri corgt o dirgt Rmar : iflc ds rmirs trms d séri sr la corgc Théorèm : coditio écssair d corgc Théorèm

Plus en détail

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.

Plus en détail

Contribution à la théorie des entiers friables

Contribution à la théorie des entiers friables UFR STMIA École Doctorale IAE + M Uiversité Heri Poicaré - Nacy I DFD Mathématiques THÈSE présetée pour l obtetio du titre de Docteur de l Uiversité Heri Poicaré, Nacy-I e Mathématiques par Bruo MARTIN

Plus en détail

Chapitre 3 : Transistor bipolaire à jonction

Chapitre 3 : Transistor bipolaire à jonction Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats

Plus en détail

RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *)

RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *) RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *) *) Uiversité de Blida Faculté des scieces Départemet de Mathématiques. BP 270, Route de Soumaa. Blida, Algérie. Tel &

Plus en détail

Statistique Numérique et Analyse des Données

Statistique Numérique et Analyse des Données Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques

Plus en détail

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil. Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la

Plus en détail

16.1 Convergence simple et convergence uniforme. une suite de fonctions de I dans R ou C.

16.1 Convergence simple et convergence uniforme. une suite de fonctions de I dans R ou C. 16 Suites de foctios Suf précisio cotrire, I est u itervlle réel o réduit à u poit et les foctios cosidérées sot défiies sur I à vleurs réelles ou complexes. 16.1 Covergece simple et covergece uiforme

Plus en détail

Université Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014

Université Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014 Uiversité Pierre et Marie Curie Biostatistique PACES - UE4 2013-2014 Resposables : F. Carrat et A. Mallet Auteurs : F. Carrat, A. Mallet, V. Morice Mise à jour : 21 octobre 2013 Relecture : V. Morice,

Plus en détail

DETERMINANTS. a b et a'

DETERMINANTS. a b et a' 2003 - Gérard Lavau - http://perso.waadoo.fr/lavau/idex.htm Vous avez toute liberté pour télécharger, imprimer, photocopier ce cours et le diffuser gratuitemet. Toute diffusio à titre oéreux ou utilisatio

Plus en détail

capital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...

capital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3... Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1

Plus en détail

Chapitre 13. Statistiques et probabilités. Sommaire

Chapitre 13. Statistiques et probabilités. Sommaire 13 Chapitre Chapitre 13 Statistiques et probabilités Les statistiques et les probabilités occupet ue place importate das l eseigemet de certaies classes préparatoires Les pricipales foctios écessaires

Plus en détail

MESURE DE L'INFORMATION

MESURE DE L'INFORMATION MESURE DE L'INFORMATION Marc URO TABLE DES MATIÈRES INTRODUCTION... 3 INCERTITUDE D'UN ÉVÉNEMENT (OU SELF-INFORMATION)... 7 INFORMATION MUTUELLE DE DEUX ÉVÉNEMENTS... 9 ENTROPIE D'UNE VARIABLE ALÉATOIRE

Plus en détail

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation 1 / 9 Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Le cycle d exploitatio des etreprises (achats stockage productio stockage vetes) peut etraîer des décalages de trésorerie plus

Plus en détail

Principes et Méthodes Statistiques

Principes et Méthodes Statistiques Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

Remise à niveau en processus stochastiques

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

Plus en détail

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires

Plus en détail

55 - EXEMPLES D UTILISATION DU TABLEUR.

55 - EXEMPLES D UTILISATION DU TABLEUR. 55 - EXEMPLES D UTILISATION DU TABLEUR. CHANTAL MENINI 1. U pla possible Les exemples qui vot suivre sot des pistes possibles et e aucu cas ue présetatio exhaustive. De même je ai pas fait ue étude systématique

Plus en détail

Baccalauréat S Nouvelle - Calédonie Mars 2009

Baccalauréat S Nouvelle - Calédonie Mars 2009 Bcclurét S Nouvelle - Clédoie Mrs 009 Exercice Commu à tous les cdidts (5 poits) r r Le pl est rpporté à u repère orthoorml direct ( O, u, v) d uité grphique cm O cosidère les poits et B d ffixes respectives

Plus en détail

SÉRIES STATISTIQUES À DEUX VARIABLES

SÉRIES STATISTIQUES À DEUX VARIABLES 1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1

Plus en détail

2 ième partie : MATHÉMATIQUES FINANCIÈRES

2 ième partie : MATHÉMATIQUES FINANCIÈRES 2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul

Plus en détail

c. Calcul pour une évolution d une proportion entre deux années non consécutives

c. Calcul pour une évolution d une proportion entre deux années non consécutives Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages

Plus en détail

Régulation analogique industrielle ESTF- G.Thermique

Régulation analogique industrielle ESTF- G.Thermique Chapitre 5 Stabilité, Rapidité, Précisio et Réglage Stabilité. Défiitio Coditio de stabilité. Critères de stabilité.. Critères algébriques.. Critère graphique ou de revers das le pla de Nyquist Rapidité

Plus en détail

La tarification hospitalière : de l enveloppe globale à la concurrence par comparaison

La tarification hospitalière : de l enveloppe globale à la concurrence par comparaison ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 58 2000 La tarificatio hospitalière : de l eveloppe globale à la cocurrece par comparaiso Michel MOUGEOT * RÉSUMÉ. Cet article cosidère différetes politiques de

Plus en détail

trouve jamais dans les concepts généraux que ce qu on y met

trouve jamais dans les concepts généraux que ce qu on y met ,QIRUPDWLTXHQRUPHHWWHPSV,VDEHOOH%R\GHQV Présetatio par Marie-Ae Chabi Réuio PIN 15 javier 2004 /HVEDVHVGHGRQQpHVHPSLULTXHV Collectio fiie et structurée de doées codifiées, textuelles ou multimédia, destiées

Plus en détail

Terminale S. Terminale S 1 F. Laroche

Terminale S. Terminale S 1 F. Laroche Termiale S Exercices. Rappels et exercices de base 3.. QCM (P. Egel) 3.. QCM, Atilles 005 4. 3. QCM, Liba 009, 3 poits 4. 4. QCM, C. étragers 007. 5. QCM, Frace 007 5 6. 6. QCM, N. Calédoie 007 7. 7. QCM

Plus en détail

Solutions particulières d une équation différentielle...

Solutions particulières d une équation différentielle... Solutios particulières d ue équatio différetielle......du premier ordre à coefficiets costats O cherche ue solutio particulière de y + ay = f, où a est ue costate réelle et f ue foctio, appelée le secod

Plus en détail

Le Sphinx. Enquêtes, Sondages. Analyse de données. Internet : http://www.lesphinxdeveloppement.fr/club/index.html

Le Sphinx. Enquêtes, Sondages. Analyse de données. Internet : http://www.lesphinxdeveloppement.fr/club/index.html Equêtes, Sodages Aalyse de doées Le Sphix! Iteret : http://www.lesphixdeveloppemet.fr/club/idex.html Lagarde J. Aalyse statistique de doées, Duod. Réaliser vos equêtes Questioaire Traitemets et aalyses

Plus en détail

Consolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe

Consolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe Cosolidatio La société THEOS, qui commercialise des vis, exerce so activité das trois villes : Paris, Nacy et Nice. Le directeur de la société souhaite cosolider les résultats de ses vetes par ville das

Plus en détail

Jeux à somme nulle : le cas fini

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

Plus en détail

1 Introduction, but du cours, rappels

1 Introduction, but du cours, rappels DEA 2-21 Calcul stochastique II, applications aux finances Université Paul Sabatier 1 Introduction, but du cours, rappels Les applications en finance sont dans ce cours, une valorisation et une justification

Plus en détail

Intégrales généralisées

Intégrales généralisées 3 Iégrles géérlisées Pour ce chpire, les focios cosidérées so priori défiies sur u iervlle réel I o rédui à u poi, à vleurs réelles ou complees e coiues pr morceu. L défiiio e les propriéés de l iégrle

Plus en détail

POLITIQUE ECONOMIQUE ET DEVELOPPEMENT

POLITIQUE ECONOMIQUE ET DEVELOPPEMENT POLTQU ONOMQU T DVLOPPMNT TRUTUR DU MAR NATONAL DU AF-AAO T PR AU PRODUTUR MALAN Beïla Beoit osultat PD N 06/008 ellule d Aalyse de Politiques coomiques du R Aée de pulicatio : Avril 009 Résumé e papier

Plus en détail

UNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4

UNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4 UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»

Plus en détail

Intérêt simple CHAPITRE. Sommaire

Intérêt simple CHAPITRE. Sommaire HAPTRE térêt simple Sommaire A B D E F G H J K L Notio d itérêt Formule fodametale de l itérêt simple Durée de placemet exprimée e mois Durée de placemet exprimée e jours alculs sur la formule fodametale

Plus en détail

La France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe

La France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe 1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios

Plus en détail

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes. Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités

Plus en détail

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2. Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE

Plus en détail

Chap. 5 : Les intérêts (Les calculs financiers)

Chap. 5 : Les intérêts (Les calculs financiers) Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie

Plus en détail

Télé OPTIK. Plus spectaculaire que jamais.

Télé OPTIK. Plus spectaculaire que jamais. Télé OPTIK Plus spectaculaire que jamais. Vivez toute la puissace de la télévisio sur IP grâce au réseau OPTIK 1 de TELUS et découvrez-e l extraordiaire potetiel. Télé OPTIK MC vous doe la parfaite maîtrise

Plus en détail

4. Martingales à temps discret

4. Martingales à temps discret Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les

Plus en détail

Formation d un ester à partir d un acide et d un alcool

Formation d un ester à partir d un acide et d un alcool CHAPITRE 10 RÉACTINS D ESTÉRIFICATIN ET D HYDRLYSE 1 Formatio d u ester à partir d u acide et d u alcool 1. Nomeclature Acide : R C H Alcool : R H Groupe caractéristique ester : C Formule géérale d u ester

Plus en détail

Bio-Statistique. 1 ère partie. Discipline : Bio-statistique, Bio-mathématique et Sciences de l Information

Bio-Statistique. 1 ère partie. Discipline : Bio-statistique, Bio-mathématique et Sciences de l Information Bio-Statistique 1 ère partie Disciplie : Bio-statistique, Bio-mathématique et Scieces de l Iformatio OBJECTIFS PEDAGOGIQUES Réaliser l importace du problème de la variabilité ihérete au doées médicales,

Plus en détail

Théorie de la Mesure et Intégration

Théorie 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 détail

PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS J. L. NICOLAS

PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS J. L. NICOLAS PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS ET APPROXIMATIONS DIOPHANTIENNES J. L. NICOLAS Cet article expose sup 3 e quelques iter'f~reces etre les pr'obl~res dloptimisatio e hombres etiers et la th~or-ie

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

HEC. Gilles Mauffrey. METHODES QUANTITATIVES AVEC EXCEL Programmation linéaire, programmation dynamique, simulation, statistique élémentaire

HEC. Gilles Mauffrey. METHODES QUANTITATIVES AVEC EXCEL Programmation linéaire, programmation dynamique, simulation, statistique élémentaire HEC Gilles Mauffrey METHODES QUANTITATIVES AVEC EXCEL Programmatio liéaire, programmatio dyamique, simulatio, statistique élémetaire La Modélisatio LA MODELISATION Modèle et typologie des modèles. La otio

Plus en détail