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

Correction CCP maths 1 MP

Correction CCP maths 1 MP mai 4 Avertissemet : Il subsiste certaiemet quelques coquilles... Exercice : ue itégrale double Correctio CCP maths MP Pour calculer cette itégrale, o effectue le chagemet de variable e coordoées polaires

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

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

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours Exo7 Logique, esembles et applicatios Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I :

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

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

. (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

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h Etrée à Scieces Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h A P M E P Les calculatrices sot autorisées Exercice Vrai-Faux 8 poits Pour chacue des affirmatios suivates,

Plus en détail

Soit E un ensemble. On appelle classe de parties de E un sous-ensemble non vide de P(E).

Soit E un ensemble. On appelle classe de parties de E un sous-ensemble non vide de P(E). Chapitre 1 Tribus 1.1 Défiitios Soit E u esemble. O appelle classe de parties de E u sous-esemble o vide de P(E). Défiitio 1.1.1. Ue tribu A sur E est u sous-esemble o vide de P(E) tel que : (i) la partie

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

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques Variables discrètes fiies - Exercices pratiques Exercice - Loi d u dé truqué - L2/ECS -. X pred ses valeurs das {,..., 6}. Par hypothèse, il existe u réel a tel que P (X k) ka. Maiteat, puisque P X est

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1. Exercice 7 [ 02253 ] [Correction] Soient (u n ) et (v n ) deux suites telles que

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1. Exercice 7 [ 02253 ] [Correction] Soient (u n ) et (v n ) deux suites telles que [http://mp.cpgedupuydelome.fr] édité le 6 octobre 05 Eocés Suites umériques Covergece de suites Exercice [ 047 ] [Correctio] Soiet u ) et v ) deux suites réelles covergeat vers l et l avec l < l. Motrer

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

PROJET DE MONTE CARLO SUJET 1: LE PRICING

PROJET DE MONTE CARLO SUJET 1: LE PRICING LE Age KHOURI Nadie M MMD PROJE DE MONE ARLO SUJE : LE PRIING Selim ZOUGHLAMI QUESION : Supposos d abord que X est u mouvemet browie W t G([ 0, ]) Alors W0 G( 0 ) suit ue loi N(0,0) et doc W 0ps 0 Esuite,

Plus en détail

Chapitre 4 Lois discrètes

Chapitre 4 Lois discrètes Chapitre 4 Lois discrètes 1. Loi de Beroulli Ue variable aléatoire X est ue variable de Beroulli si elle e pred que les valeurs 0 et 1 avec des probabilités o ulles. P(X = 1) = p, P(X = 0) = 1 p = q, avec

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

Université Pierre et Marie Curie Licence de Mathématiques (3ème année) Année 2004/2005. Probabilités Pierre Priouret

Université Pierre et Marie Curie Licence de Mathématiques (3ème année) Année 2004/2005. Probabilités Pierre Priouret Uiversité Pierre et Marie Curie Licece de Mathématiques (3ème aée) Aée 2004/2005 Probabilités Pierre Priouret Mode d emploi Ce polycopié est destié aux étudiats de la Licece (3ème aée) de Mathématiques

Plus en détail

Cours de calcul stochastique Master M2 IRFA

Cours de calcul stochastique Master M2 IRFA 1 Cours de calcul stochastique Master M2 IRFA Christophe Chorro Septembre 26 $!!!$!!&!!(!!*!!#!!!#$!!#&!!"!!"#!"$!"%!"&!"'!"(!")!"*!"+ #"! #"# Les évetuelles fautes d orthographe, coquilles ou erreurs

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

Corrigé de Mathématique éco HEC

Corrigé de Mathématique éco HEC Corrigé de Mathématique éco HEC EXERCICE Hypothèses. M 3 R est l espace vectoriel des matrices carrées d ordre 3 à coefficiets réels. A M 3 R : s A 3 A,j, s A 3 A,j, s 3 A 3 somme des coefficiets des liges

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES II

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES II CHAMBRE DE COMMERCE ET D INDUSTRIE DE PARIS DIRECTION DE L ENSEIGNEMENT Directio des Admissios et cocours ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON CONCOURS

Plus en détail

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS CHAPITRE 4 MATRICES ET SUITES 1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS 11/ Présetatio et modélisatio O cosidère u système ui peut se trouver soit das u état A, soit das u état, et

Plus en détail

Sciences Po Option Mathématiques

Sciences Po Option Mathématiques Scieces Po Optio Mathématiques Epreue 3 Vrai-Fau Questio FAUX La suite ( u ) état géométrique de raiso différete de, o a classiquemet, pour tout etier aturel : où q est la raiso de la suite ( u ) Ici,

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

ADMISSION AU COLLEGE UNIVERSITAIRE

ADMISSION AU COLLEGE UNIVERSITAIRE ADMISSION AU COLLEGE UNIVERSITAIRE Samedi mars 204 MATHEMATIQUES durée de l'épreuve : 3h - coefficiet 2 Le sujet est uméroté de à 5. L'aexe est à redre avec la copie. L'exercice Vrai-Faux est oté sur 8,

Plus en détail

BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 2015

BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 2015 CONCOURS COMMUNS POLYTECHNIQUES FILIÈRE MP BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 5 avec corrigés V. Bellecave, J.-L. Artigue, P. Berger, J.-P. Bourgade, S. Calmet, A. Calvez, D. Cleet, J. Esteba,

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

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels.

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels. Uiversité de Provece 011 01 Mathématiques Géérales I Plache 6 Nombres réels Suites réelles Nombres réels Exercice 1 Mettre sous forme irréductible p/q les ratioels suivats (les chiffres souligés se répètet

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

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

FONCTION EXPONENTIELLE

FONCTION EXPONENTIELLE FONCTION EXPONENTIELLE I. RAPPELS : METHODE D EULER Si f est ue foctio dérivable e x 0, o sait que f(x 0 + h) a pour approximatio affie f(x 0 ) + f '(x 0 )h O peut doc sur de "petits" itervalles, approcher

Plus en détail

La classification de données quantitatives avec SPAD

La classification de données quantitatives avec SPAD La classificatio de doées quatitatives avec SPAD SPAD effectue toujours ue ACP de la matrice des doées quatitatives X " p avat de faire la classificatio des idividus. Les méthodes de classificatio s appliquet

Plus en détail

Correction HEC III 2007

Correction HEC III 2007 HEC III 7 Voie Écoomique Correctio Page Correctio HEC III 7 Voie écoomique La correctio comporte 9 pages. Eercice. Par dé itio est ue valeur propre de t si et seulemet si est ue valeur propre de T: Et

Plus en détail

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6 Corrigés TD Chapitre : Variables aléatoires sur u uivers fii Exercice : Soit X la VAR défiie par le tableau suivat : x i - - 0 p 6 4 6 4 6 i O ote Y = X ) Détermier la loi cooite de X et Y ) Détermier

Plus en détail

MATHEMATIQUES Terminale Scientifique

MATHEMATIQUES Terminale Scientifique MATHEMATIQUES Termiale Scietifique Fiches PROGRAMME 22 (v24) Sylvie LAMY Agrégée de Mathématiques Dilômée de l École Polytechique Cours Pi e-mail : lescoursi@cours-icom site : htt://wwwcours-icom siège

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

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

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

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures)

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures) Exercice 1 (5 poits) Bac Blac Termiale L - Février 015 Épreuve de Spécialité Mathématiques (durée 3 heures) Questio 1 : La populatio d'ue ville baisse de 1 % tous les as pedat 10 as. Elle est doc multipliée

Plus en détail

AVANT PROPOS. Cet ouvrage pourra intéresser également les enseignants de ce niveau.

AVANT PROPOS. Cet ouvrage pourra intéresser également les enseignants de ce niveau. AVANT PROPOS Cet ouvrage propose aux élèves de classes termiales (fraçais) S (spécialité math) des rappels et des complémets de cours assez complet, aisi que des problèmes et des exercices corrigés. Les

Plus en détail

Estimations et intervalles de confiance

Estimations et intervalles de confiance Estimatios et itervalles de cofiace Estimatios et itervalles de cofiace Résumé Cette vigette itroduit la otio d estimateur et ses propriétés : covergece, biais, erreur quadratique, avat d aborder l estimatio

Plus en détail

Exercices - Lois discrètes usuelles : corrigé

Exercices - Lois discrètes usuelles : corrigé www.almohadiss.com Exercice - Avio - L2/Prépa Hec - O ote X la variable aléatoire du ombre de moteurs de A qui tombet e pae, et Y la variable aléatoire du ombre de moteurs de B qui tombet e pae. X suit

Plus en détail

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante : " tirer p éléments de E ".

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante :  tirer p éléments de E . Cours de termiales Probabilités sur u esemble fii Mr ABIDI F I- Rappel I- Types de tirages : Soit u esemble fii E coteat élémets O cosidère l'épreuve suivate : " tirer p élémets de E " Type de tirages

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

Équations différentielles - Cours no 6 Approximation numérique

Équations différentielles - Cours no 6 Approximation numérique Équatios différetielles - Cours o 6 Approximatio umérique 1 Itroductio De très ombreux problèmes scietifiques sot mis e équatio à l aide d u système d équatios différetielles ẋt) = ft, xt)) voir par exemple

Plus en détail

Éléments de cours de Probabilités

Éléments de cours de Probabilités Élémets de cours de Probabilités Licece de mathématiques Uiversité de Versailles Sait-Queti Jea-Fraçois Marckert Table des matières I. Itroductio 1 1. U peu d histoire......................................

Plus en détail

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités coditioelles - Suites géométriques - foctios epoetielles Calculatrice autorisée Termiale ES123 Eercice 1 : 5 poits Partie A : Ue agece de locatio

Plus en détail

CHAPITRE 22. Machines à sous

CHAPITRE 22. Machines à sous CHAPITRE 22 Machies à sous 22. Corrigé possible du texte 22.. Eocé du problème et défiitio du modèle statistique associé O étudie ici u modèle statistique avec observatios icomplètes : o dispose d observatios

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

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

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 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

Développement d une fonction en série entière. Exemples et applications

Développement d une fonction en série entière. Exemples et applications Développemet d ue foctio e série etière Exemples et applicatios Das ce chapitre, K désigera R ou C B(; R) désigera la boule ouverte de cetre et de rayo R > 1 Gééralités Défiitio 1 Soit f ue applicatio

Plus en détail

THEORIE ERGODIQUE ET APPLICATIONS

THEORIE ERGODIQUE ET APPLICATIONS THEORIE ERGODIQUE ET APPLICATIONS TER de Master ROUSSEAU Emmauel VOISIN Nathalie 5 jui 2007 Mouvemet Browie (vue d artiste) 2 INTRODUCTION 3 Itroductio E mécaique classique o étudie l évolutio au cours

Plus en détail

Devoir de statistiques: CORRIGE

Devoir de statistiques: CORRIGE CPP - la prépa des INP ( ème aée). Bordeaux, 6/04/04. Devoir de statistiques: CORRIGE durée h Doées: O rappelle que si Z suit ue loi N (0, ), o a P(Z.96) 0, 975 et P(Z.65) 0, 95. Exercice. θ et O cosidère

Plus en détail

On obtient la formule de Pascal en prenant le cardinal :

On obtient la formule de Pascal en prenant le cardinal : Colles du 3 ovembre 014 Solutio de la questio de cours 1. (i) Soit E u esemble de cardial. L esemble (E) peut alors être partitioé comme suit : (E) (E), où (E) est l esemble des parties de E de cardial.

Plus en détail

Probabilités et Statistiques

Probabilités et Statistiques Préparatio à l Agrégatio Probabilités et Statistiques Fascicule d Exercices gééraux de Probabilités (iveaux L3-M1) Uiversité Pierre et Marie Curie - Paris VI Aée 2008-2009 Lauret MAZLIAK U certai ombre

Plus en détail

Introduction aux Méthodes de Monte-Carlo

Introduction aux Méthodes de Monte-Carlo Itroductio aux Méthodes de Mote-Carlo LAURE ELIE BERNARD LAPEYRE Septembre 2001 Table des matières 1 Itroductio aux méthodes de mote-carlo 5 1.1 Simulatio de lois uiformes........................... 7

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

Mathématiques. Terminale S Corrigés des exercices. Rédaction : Laurent Beroul Isabelle Tenaud Sébastien Cario. Coordination : Sébastien Cario

Mathématiques. Terminale S Corrigés des exercices. Rédaction : Laurent Beroul Isabelle Tenaud Sébastien Cario. Coordination : Sébastien Cario Mathématiques Termiale S Corrigés des eercices Rédactio : Lauret Beroul Isabelle Teaud Sébastie Cario Coordiatio : Sébastie Cario Ce cours est la propriété du Ced Les images et tetes itégrés à ce cours

Plus en détail

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Lycée Féelo aite-marie Préparatio ciece-po/prépa HEC Foctios Versio du juillet 05 Eercice d degré : racies et coefficiets O rappelle que si l équatio a + b + c = 0 ( a 0 ) adet deu racies α et β (évetuelleet

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

1 Intégrale de Riemann

1 Intégrale de Riemann Uiversité Paris 13, Istitut Galilée Aée uiversitaire 2015-2016 Préparatio à l agrégatio 0. Rappels de théorie de l itégratio 1 Itégrale de Riema L itégrale itroduite e L1 ou e classe prépa est l itégrale

Plus en détail

Correction du devoir surveillé de mathématiques n o 5

Correction du devoir surveillé de mathématiques n o 5 Correctio du devoir surveillé de mathématiques o 5 Exercice 1 1. Soit g la foctio défiie sur R par g(x) = (x 1)e x. (a) Détermier les ites de g e et +. Limite e. O a ue forme idétermiée. E développat,

Plus en détail

Suites et séries numériques

Suites et séries numériques Maths MP Cours Table des matières Suites et séries umériques Quelques prélimiaires. Les yeux fermés........................................... De quoi parle-t-o?........................................3

Plus en détail

09 G 18bis AR Durée: 4 heures Séries : S1-S3 - Coeff. 8.. Epreuve du 1 er groupe

09 G 18bis AR Durée: 4 heures Séries : S1-S3 - Coeff. 8.. Epreuve du 1 er groupe UNIVERSITE CHEIKH ANTA DIOP DE DAKAR 1/ 9 OFFICE DU BACCALAUREAT BP 5005-DAKAR-Fa-Séégal Serveur Vocal: 68 05 59 Téléfax (1) 864 67 39 - Tél : 84 95 9-84 65 81 M A T H E M A T I Q U E S 09 G 18bis AR Durée:

Plus en détail

Promenades aléatoires : vers les chaînes de Markov

Promenades aléatoires : vers les chaînes de Markov AME Dossier : Matrices et suites 545 romeades aléatoires : vers les chaîes de Markov ierre Griho (*) Cet article propose ue mise e perspective de la otio de promeade ou de marche aléatoire itroduite das

Plus en détail

Baccalauréat S Nouvelle-Calédonie 7 mars 2014

Baccalauréat S Nouvelle-Calédonie 7 mars 2014 Durée : 4 heures Baccalauréat S Nouvelle-Calédoie 7 mars 2014 A. P. M. E. P. EXERCICE 1 Commu à tous les cadidats 4 poits Cet exercice est u QCM questioaire à choix multiple. Pour chaque questio, ue seule

Plus en détail

La Méthode de Monte Carlo

La Méthode de Monte Carlo La Méthode de Mote Carlo Etiee Pardoux UMR 6632 Laboratoire d Aalyse, Topologie, Probabilités et EA 3781 Evolutio Biologique Uiversité de Provece Etiee Pardoux (LATP) Marseille, 13/09/2006 1 / 33 Cotets

Plus en détail

STATISTIQUE : ESTIMATION

STATISTIQUE : ESTIMATION STATISTIQUE : ESTIMATION Préparatio à l Agrégatio Bordeaux Aée 202-203 Jea-Jacques Ruch Table des Matières Chapitre I. Estimatio poctuelle 5. Défiitios 5 2. Critères de comparaiso d estimateurs 6 3. Exemples

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

Travaux dirigés G33 Dimensionnement 2 séances Enseignant : Anthony Busson.

Travaux dirigés G33 Dimensionnement 2 séances Enseignant : Anthony Busson. Travaux dirigés G33 Dimesioemet 2 séaces Eseigat : Athoy Busso. Exercice 1 : O cosidère u web switch et 3 serveurs web. Le web switch reçoit les requêtes http proveat des cliets et les répartit de maière

Plus en détail

Table des matières. Aller à la page suivante

Table des matières. Aller à la page suivante CHAPITRE 3. SÉRIES NUMÉRIQUES Chapitre 3 Séries umériques 3. Préparatio Défiitio 3..2 O appelle série de terme gééral u et o ote u (qui se lit «série de terme gééral u»), où (u ) N R N, la suite de terme

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

Exo7. Applications linéaires continues, normes matricielles. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.

Exo7. Applications linéaires continues, normes matricielles. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france. Exo7 Applicatios liéaires cotiues, ormes matricielles Exercices de Jea-Louis Rouget. Retrouver aussi cette fiche sur www.maths-frace.fr Exercice * * très facile ** facile *** difficulté moyee **** difficile

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

Correction Bac ES France juin 2010

Correction Bac ES France juin 2010 Correctio Bac ES Frace jui 010 Exercice 1 (4 poits) (Commu à tous les cadidats) Pour ue meilleure compréhesio, les réposes serot justifiées das ce corrigé. Questio 1 Le ombre 3 est solutio de l équatio

Plus en détail

SUITES ET FONCTIONS. 1. Espaces vectoriels normés réels ou complexes

SUITES ET FONCTIONS. 1. Espaces vectoriels normés réels ou complexes SUITES ET FONCTIONS. Espaces vectoriels ormés réels ou complexes.. Normes et distaces. Exercice... F Soit E l espace vectoriel des foctios de classe C sur [a, b], o pose Nf = fc + f où c [a, b], f désigat

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

PROBABILITÉS. A cette expérience aléatoire, on associe l ensemble des résultats possibles appelé univers. Ses éléments sont appelés éventualités.

PROBABILITÉS. A cette expérience aléatoire, on associe l ensemble des résultats possibles appelé univers. Ses éléments sont appelés éventualités. PROBABILITÉS I. PROBABILITÉS ( RAPPELS) a. Expérieces aléatoires et modèles Le lacer d ue pièce de moaie, le lacer d u dé sot des expérieces aléatoires, car avat de les effectuer, o e peut pas prévoir

Plus en détail

Dénombrement - Combinatoire Cours

Dénombrement - Combinatoire Cours Déombremet - Combiatoire Cours La combiatoire (ou aalyse combiatoire) étudie commet compter des objets. Elle fourit des méthodes de déombremet particulièremet utiles e probabilité. U des pricipaux exemples

Plus en détail

Méthodes de Monte-Carlo

Méthodes de Monte-Carlo Méthodes de Mote-Carlo Aie MILLET Uiversités Paris 7 et Paris 1 Master ème aée : Spécialité Modélisatio Aléatoire Recherche et Professioel Parcours : Statistique et Modèles Aléatoires e Fiace Parcours

Plus en détail

Université Mohammed V - Agdal Faculté des Sciences Département de Mathématiques et Informatique Avenue Ibn Batouta, B.P.

Université Mohammed V - Agdal Faculté des Sciences Département de Mathématiques et Informatique Avenue Ibn Batouta, B.P. Uiversité Mohammed V - Agdal Faculté des Scieces Départemet de Mathématiques et Iformatique Aveue Ib Batouta, B.P. 04 Rabat, Maroc Filière DEUG : Scieces Mathématiques et Iformatique (SMI) et Scieces Mathématiques

Plus en détail

Chapitre 16 : Espaces vectoriels

Chapitre 16 : Espaces vectoriels PCSI Préparatio des Khôlles -4 Chapitre 6 : Espaces vectoriels Exercice type Soit E=R[X] et F ={P E, P(X)=XP (X)+P()}, motrer que F est u sous-espace vectoriel de E. : O a bie F E. Si P =est le polyôme

Plus en détail

MATHEMATIQUES Option scientifique Mardi 9 mai 2006 de 8h à 12h

MATHEMATIQUES Option scientifique Mardi 9 mai 2006 de 8h à 12h ECOLE DE HUTES ETUDES COMMERCILES DU NORD Cocors d'admissio sr classes préparatoires MTHEMTIQUES Optio scietifiqe Mardi 9 mai 6 de 8h à h La présetatio, la lisibilité, l'orthographe, la qalité de la rédactio,

Plus en détail

Cours de théorie des probabilités avec exercices corrigés et devoirs

Cours de théorie des probabilités avec exercices corrigés et devoirs Cours de théorie des probabilités avec exercices corrigés et devoirs Licece de mathématiques, 3 ième aée Bruo Saussereau Aée uiversitaire 203-204 Bruo Saussereau, Laboratoire de Mathématiques de, UF Scieces

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

Centre Régional des Métiers de l Éducation et de la Formation MARRAKECH

Centre Régional des Métiers de l Éducation et de la Formation MARRAKECH R O Y A U M E D U M A R O C Miistère de l Educatio Natioale et de la Formatio Professioelle Cetre Régioal des Métiers de l Éducatio et de la Formatio Académie Régioale de l Éducatio et de la Formatio Marrakech-Tesift

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

Séquence 8. Suites arithmétiques et géométriques. Sommaire

Séquence 8. Suites arithmétiques et géométriques. Sommaire Séquece 8 Suites arithmétiques et géométriques Sommaire Pré-requis Suites arithmétiques Suites géométriques Sythèse du cours Exercices d approfodissemet Séquece 8 MA Ced - Académie e lige Pré-requis A

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

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

Séquence 1. Les suites numériques. Sommaire. 1. Pré-requis 2. Le raisonnement par récurrence 3. Notions de limites 4. Synthèse

Séquence 1. Les suites numériques. Sommaire. 1. Pré-requis 2. Le raisonnement par récurrence 3. Notions de limites 4. Synthèse Séquece Les suites umériques Sommaire Pré-requis Le raisoemet par récurrece 3 Notios de limites 4 Sythèse Das cette séquece, il s agit d ue part d approfodir la otio de suites umériques permettat la modélisatio

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

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1 [htt://m.cgeduuydelome.fr] édité le 10 juillet 2014 Eocés 1 Déombremet Exercice 1 [ 01529 ] [correctio] Soiet E et F deux esembles fiis de cardiaux resectifs et. Combie y a-t-il d ijectios de E das F?

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

Probabilités et Statistique

Probabilités et Statistique Probabilités et Statistique Jea-Michel JOLION Départemet Géie Idustriel 3ème Aée Versio électroique : http://rfv.isa-lyo.fr/ jolio/stat/poly.html May 26, 2006 INSA Lyo - Bât. J. Vere - 69621 Villeurbae

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