TD Modélisation Statistique
|
|
- Pierre-Louis Lafleur
- il y a 7 ans
- Total affichages :
Transcription
1 Licece 3 Mathématiques TD Modélisatio Statistique Ex 1. Soit X ue variable aléatoire réelle de desité f cotiue et de foctio répartitio F. 1. Calculer la foctio de répartitio de Y = αx + β pour α, β R, et celle de Z = e X. E déduire leurs desités (pour α Retrouver les desités de Y et Z e utilisat la formule du chagemet de variable. Ex 2. Soiet Y 1 et Y 2 deux variables aléatoires réelles de desités respectives f 1 et f 2 cotiues, et X ue variable de Beroulli de paramètre p idépedate de Y 1 et Y 2. Détermier la desité de la variable aléatoire Y = Y 1 X + Y 2 (1 X. Ex 3. U vecteur Gaussia stadard (X, Y de R 2 est u vecteur aléatoire de desité f(x, y = 1 2π exp ( x2 + y 2, x, y R O cosidère les coordoées polaires e posat X = R cos(t et Y = R si(t avec R 0 et T [0, 2π[. Motrer que les variables aléatoires R et T sot idépedates et préciser leurs s. 2. Soit (U, V u couple de variables aléatoires idépedates uiformes sur [0, 1]. Déduire de la questio précédete que le couple ( (X, Y = 2 l(u cos(2πv, 2 l(u si(2πv, est u vecteur Gaussie stadard de R 2. Ex 4. Soit X N (0, 1, o rappelle que la foctio caractéristique de X est doée par ϕ X (t = exp( t 2 /2, t R. 1. Calculer la foctio caractéristique d'u vecteur Gaussie stadard X = (X 1,..., X k. 2. E déduire la foctio caractéristique d'u vecteur Gaussie quelcoque Y N (m, Σ. O pourra utiliser que Y = m + Σ 1/2 X. Ex 5. Motrer qu'il existe u vecteur Gaussie X = (X 1, X 2, X 3 qui vérie: 1. Quelle est la de X 1 X 2 + 2X 3? 1 i < j 3, E(X i = 0, E(X 2 i = 1, E(X i X j = 1/2. 2. Trouver a R tel que X 1 + ax 2 et X 1 X 2 soiet idépedates. 3. X admet-il ue desité? si oui laquelle? Ex 6. Soit X N (0, 1 et Y ue v.a. idépedate de X telle que P(Y = 1 = P(Y = 1 = 1/2. O pose Z = XY. 1. Quelle est la de Z? 2. Quelle est la de X + Z? E déduire que (X, Z 'est pas u vecteur Gaussie. 1
2 Ex 7. Soit X N (0, 1 et a > 0. o pose Y a := X1{ X < a} X1{ X a} 1. Motrer que Y a est ue variable aléatoire Gaussiee. 2. Motrer qu'il existe b > 0 tel que b 0 x2 e x2 /2 dx = 2π/4. 3. Calculer cov(x, Y b. Le vecteur (X, Y b est-il u vecteur Gaussie? Ex 8. Soit 1 < ρ < 1, o pose Σ = [ 1 ρ ρ 1 ]. 1. Motrer qu'il existe u vecteur Gaussie X = (X 1, X 2 cetré et de matrice de variace Σ. 2. O pose Y 1 = (X 1 + X 2 et Y 2 = (X 1 X 2. Doer la de Y = (Y 1, Y Les variables Y 1 et Y 2 sot-elles idépedates? 4. Justier que Y admet ue desité sur R 2 et la calculer. Ex 9. Soit X ue variable aléatoire réelle de desité f et de foctio répartitio F. 1. Motrer que 1{X x} ps = 1{F (X F (x}. 2. Déduire la de F (X lorsque F est cotiue. 3. Soit X 1,..., X u échatillo iid de même que X. Motrer que, si F est cotiue, la de 1 K := sup 1{X i x} F (x e déped pas de F. x R Ex 10. Soit U ue variable aléatoire de uiforme sur ]0, 1[. 1. Détermier la de Y = log(u et Z = ta ( π(u π/2. 2. Motrer das le cas gééral que, pour F ue foctio de répartitio, la variable aléatoire a pour foctio de répartitio F. X := F (U = if{x R : F (x U} Ex 11. Soit X 1,..., X u échatillo de variables aléatoires réelles iid de foctio de répartitio F. 1. Rappeler la déitio de la foctio de répartitio empirique F. 2. Soit x R, quelle est la de F (x? 3. Soiet x, y deux réels, calculer la covariace cov(f (x, F (y. 4. E utilisat le théorème cetral limite vectoriel, doer la asymptotique de ( F (x F (x. F (y F (y Ex 12. f. O observe réalisatios x 1,..., x d'u échatillo de variables aléatoires réelles iid de desité 1. Rappeler l'expressio de l'estimateur à oyaux f de f obteu avec le oyau Gaussie et la feêtre h > 0. K(s = 1 ( exp s2, s R, 2π 2 2
3 2. Calculer R xf (xdx. Que représete cette itégrale. 3. Soit Y ue variable aléatoire de uiforme sur {x 1,..., x } et ɛ ue variable aléatoire idépedate de Y de N (0, h 2. Calculer la desité de Z := Y + ɛ. Commeter. 4. Proposer ue méthode pour simuler ue variable aléatoire dot la desité est l'histogramme mobile g (x = 1 2h 1{x i ]x h, x + h]}. Ex 13. Soit X ue variable aléatoire de foctio de répartitio F quelcoque. 1. Rappeler la déitio d'u quatile d'ordre α ]0, 1[. 2. Motrer que F (α est bie u quatile d'ordre α. 3. Doer u exemple de foctio de répartitio pour laquelle la médiae q 0.5 'est pas uique. 4. Doer u exemple pour lequel le premier quartile q 0.25 vérie simultaémet les iégalités strictes P(X q 0.25 > 0.25 et P(X q 0.25 > Ex 14. Soit X 1,..., X u échatillo de variables aléatoires réelles iid de foctio de répartitio F et de desité f. O cosidère les variables ordoées X (1... X (. 1. Calculer la foctio de répartitio de X (, puis celle de X (1. 2. Motrer que si f est à support compact [a, b], alors X (1 et X ( coverget e probabilité vers a et b respectivemet quad. 3. Motrer que presque sûremet, X (1 <... < X (. 4. Soiet a 1,..., a des réels diérets, motrer que pour ɛ > 0 susammet petit ( P {a i < X (i a i + ɛ} = 0 si les a i e sot pas ordoées das l'ordre croissat. 5. Soit S l'esemble des permutatios de {1,..., }, motrer que si a 1 <... < a, alors pour ɛ suisammet petit, ( P {a i < X (i a i + ɛ} = ( P σ S {a i < X σ(i a i + ɛ}. 6. E déduire la desité f X(1,...,X ( du -uplet (X (1,..., X ( par la formule 1 f X(1,...,X ( (a 1,..., a = lim ɛ 0 + ɛ P( X (1 ]a 1, a 1 + ɛ],..., X ( ]a, a + ɛ]. Ex 15. Soit U 1,..., U u échatillo de variables aléatoires iid de uiforme sur ]0, 1[. O s'itéresse au comportemet asymptotique du quatile empirique d'ordre α ]0, 1[, U ( α. 1. Calculer la desité de la k-ième statistique d'ordre U (k. 2. Soit X 1,..., X +1 des variables aléatoires idépedates de expoetielle de paramètre 1, motrer que pour tout k = 1,..., + 1, S k = k X i suit ue Gamma Γ(k, 1 de desité γ k (x = 3. Motrer que S k /S +1 a même que U (k. xk 1 (k 1! e x, x > 0. 3
4 4. Détermier la limite e de ( S α α / α. 5. E remarquat que α ( α lim = α et lim α = 0, motrer d'après la questio précédete que ( S α α N (0, α et ( S+1 S α (1 α N (0, 1 α. 6. E déduire que puis que (α S +1 S α (1 α S α N ( 0, α(1 α, Y := ( α S +1 S ( α (1 α S N α 0, 1 α α. 7. E remarquat que U ( α = α/(1+y / (cf. questio 3, motrer qu'il existe ξ compris etre 0 et Y / tel que α Y U ( α = α (1 + ξ E coclure que Z := ( U ( α α N (0, α(1 α. 9. Soit F ue foctio de répartitio. Justier que F (U ( α a même que la statistique d'ordre X ( α d'u échatillo iid X 1,..., X ayat pour foctio de répartitio F. 10. O suppose maiteat que F admet u uique quatile d'ordre α, oté q α, et que F est strictemet croissate et cotiuemet diéretiable sur u voisiage de q α. Motrer que ( ( X( α q α N α(1 α 0, F (q α 2. Ex 16. Soiet X et Y deux variables aléatoires o costates de carré itégrable. 1. Rappeler la déitio de cov(x, Y et cor(x, Y. 2. Motrer que pour tout α, β R, cov(αx + β, Y = α cov(x, Y. 3. Calculer cor(αx + β, Y e foctio de cor(x, Y pour α 0. Ex 17. O cosidère deux échatillos de variables (X 1,..., X et (Y 1,..., Y. O ote (R 1,..., R (resp. (S 1,..., S les rags des variables X i (resp. Y i das chaque échatillo. O suppose que les X i et les Y i sot tous diérets, de telle sorte que les rags vot de 1 à. O rappelle que le coeciet de corrélatio de Spearma γ etre les échatillos (X 1,..., X et (Y 1,..., Y correspod à la corrélatio liéaire etre leurs rags. 1. Doer la formule déissat γ. 2. Motrer que la moyee empirique de l'échatillo (R 1,..., R vaut ( + 1/2 et que sa variace empirique vaut ( 2 1/ E déduire que γ = 12 ( 2 1 R i S i Soit D i = R i S i. Motrer que 12 R is i = ( + 1( D2 i. 5. E déduire que γ = 1 6 D2 i (
5 Ex 18. Soit (X, Y u couple de variables aléatoires de variaces ies. 1. Rappeler la déitio de la meilleure approximatio liéaire L(Y X = a X + b. 2. Motrer que E(aX + b = E(Y et cov(y (ax + b, X = 0 si et seulemet si (a, b = (a, b. Ex 19. Soit (X 1, Y 1,..., (X, Y des réalisatios idépedates d'u couple de variables aléatoires (X, Y o costates et de variaces ies. 1. Doer la déitio de la droite des moidres carrés y = a x + b et rappeler les valeurs de a et b. 2. Motrer que a et b coverget presque sûremet e précisat leurs limites. Ex 20. Soit (X i, Y i, i = 1,..., ( 2 des réalisatios idépedates d'u vecteur aléatoire (X, Y. O suppose que Y = a X + b + ɛ où ɛ est cetré et idépedat de X et o ote Y 1 X 1 1 Y =. R et W =.. R 2. Y X 1 1. Ecrire sous forme matricielle la relatio: i = 1,...,, Y i = a X i + b + ɛ i, e posat θ = (a, b. 2. O suppose maiteat que X a pour desité f X. Motrer que W W est presque sûremet iversible. 3. Doer ue expressio matricielle du miimiseur ˆθ de θ Y Wθ 2 = (Y Wθ (Y Wθ, θ R Exprimer les valeurs ˆθ 1 et ˆθ 2 e foctio de X, Y, ˆσ(X, Y etc... Ex 21. O déit la variace coditioelle par var(y X = E(Y 2 X E(Y X 2. Motrer l'égalité var(y = var ( E(Y X + E ( var(y X. Ex 22. Soit X et ɛ deux variables aléatoires idépedates de variaces ies. O déit Y = g(x + ɛ où g est ue foctio cotiue borée. 1. O suppose que E(ɛ = 0, motrer que E(Y X = g(x. 2. Que vaut E(Y X si E(ɛ = m 0? Ex 23. avec ρ ] 1, 1[. Soit (X, Y u couple de variables aléatoires de desité joite 1 ρ 2 ( f XY (x, y = exp 1 x 2π 2( 2 + y 2 + 2ρxy, x, y R, 1. Motrer que f XY est ue desité (poser (u, v = ( 1 ρ 2 x, y + ρx, puis passer e coordoées polaires. 2. Justier que E X k < pour tout k N. Calculer E(X et var(x. 3. Doer ue coditio écessaire et susate pour que X et Y soiet idépedates. 4. Calculer l'espérace coditioelle φ (x = E(Y X = x. Commeter. 5
6 Ex 24. Soit (X 1, Y 1,..., (X, Y des réalisatios idépedates d'u couple de variables aléatoires (X, Y de desité joite f XY cotiue et de desités margiales f X et f Y. O suppose que f X (x > 0 pour tout x R. 1. Soit ɛ > 0, exprimer P ( X x ɛ sous la forme d'ue itégrale, puis e foctio de F X, la foctio de répartitio de X. Justier que P ( X x ɛ > Proposer u estimateur de P ( X x ɛ. 3. Proposer u estimateur de E ( Y 1{ X x ɛ}. 4. Soit A u évéemet de probabilité strictemet positive. Rappeler la formule de E(Y A. 5. E déduire u estimateur de E(Y X x ɛ. Motrer qu'il correspod à u estimateur de Nadaraya-Watso particulier, e précisat les valeurs du oyau et de la feêtre. 6. Calculer lim ɛ 0 E(Y X x ɛ. Commeter. Ex 25. Pour calibrer u radar, o relève les erreurs de mesure sur 70 essais. La moyee des erreurs vaut 0, 27 et l'écart-type Proposer u moye de tester au iveau α = 0.05 asymptotiquemet si les erreurs de mesure sot cetrées. 2. Commet est calculée la p-value du test? Ex 26. O eectue 100 lacés de dé et o obtiet les résultats suivat Proposer u moye de tester au iveau α = 0.05 si le dé est pipé. 2. Commet est calculée la p-value du test? Ex 27. Soiet X, Y deux variables aléatoires idépedates de de Poisso de paramètre Calculer la de X sachat X + Y = pour Proposer ue méthode pour tester expérimetalemet ce résultat pour = 4. Ex 28. Soit X 1,..., X u échatillo. 1. Rappeler la déitio de la statistique de Spearma S utilisée pour le test H 0 : "les X i sot idépedats" cotre H 1 : "les X i sot stochastiquemet croissats". 2. Doer ue autre expressio de la statistique e utilisat l'exercice 17. Commeter. Ex 29. Soit (X, Y u couple de variables aléatoires cotiues de desité f XY sur R 2 et tel que X est stochastiquemet supérieure à Y. 1. Exprimer les foctios de répartitio F X et F Y e foctio de la desité joite f XY. Quelle iégalité ces foctios vériet-elles? 2. Motrer que si X et Y sot idépedates alors P(Y X Motrer (sas supposer l'idépedace que pour tout z R, E déduire que P(X Y F Y F X. P(Y z P(Y X 0 + P(X z. 6
7 Ex 30. Soit X 1,..., X des variables aléatoires iid. Motrer que les suites suivates sot stochastiquemet croissates: 1. S i = i j=1 X2 j, i = 1,..., 2. Y i = X i + log(i, i = 1,..., 3. Z i = ixi 2, i = 1,...,. Ex 31. Soit X 1,..., X des variables aléatoires iid de desité f. Le tau de Kedall est déi par τ = 1 4 ( 1 j=i+1 1{X i < X j } Motrer que les X i sot presque sûremet tous diérets et rappeler la déitio des rags R i de l'échatillo das ce cas. 2. Exprimer la statistique τ e foctio de R 1,..., R. 3. Doer la du vecteur R = (R 1,..., R. E déduire que la de τ e déped pas de f. 7
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 détailII 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 détailSÉRIES 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 détailChapitre 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 détailGroupe 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 détail1 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 détailCHAPITRE 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 détailEtude 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
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 détailExercice 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[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 détailBaccalauréat 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 détailCours 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* 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 détailx +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 détailCours 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 détailSéries 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 détailSéquence 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 détailProcessus et martingales en temps continu
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
Plus en détailStatistique 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 détailLimites 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 détailSuites 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 détailExo7. 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 détailDénombrement. 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 détailSTATISTIQUE : 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 détail4 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* 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 détailStatistique 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 détailPROMENADE 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 détailFEUILLE 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 détailSTATISTIQUE 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 détailComportement 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 détailcapital 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 détailDeuxième 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 détail14 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 détailIntroduction : 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 détailRESOLUTION 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 détailEXERCICES : 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 détailExercices 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 détailSolutions 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 détailPrincipes 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 détailPolynésie 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 détailLes 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 détailc. 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 détailTRANSFERT 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 détailINTRODUCTION AUX MATRICES ALÉATOIRES. par. Djalil Chafaï
INTRODUCTION AUX MATRICES ALÉATOIRES par Djalil Chafaï Résumé. E cocevat les mathématiques comme u graphe, où chaque sommet est u domaie, la théorie des probabilités et l algèbre liéaire figuret parmi
Plus en détailChaînes 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 détailTerminale 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 détailFormation 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 détailTests non paramétriques de spécification pour densité conditionnelle : application à des modèles de choix discret
Tests o paramétriques de spécificatio pour desité coditioelle : applicatio à des modèles de choix discret Mémoire Koami Dzigbodi AMEGBLE Maîtrise e écoomique Maître ès arts (M.A.) Québec, Caada Koami Dzigbodi
Plus en détailDénombrement. 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 détailUV 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 détail20. 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 détailProbabilités 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 détailDETERMINANTS. 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 détailDes 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 détailProcessus 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 détailMESURE 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 détailUniversité de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015
Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir
Plus en détailModule 3 : Inversion de matrices
Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que
Plus en détail16.1 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 détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailTempêtes : Etude des dépendances entre les branches Automobile et Incendie à l aide de la théorie des copulas Topic 1 Risk evaluation
Tempêtes : Etude des dépedaces etre les braches Automobile et Icedie à l aide de la théorie des copulas Topic Risk evaluatio Belguise Olivier Charles Levi ACM Guy Carpeter 34 rue du Wacke 47/53 rue Raspail
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détail55 - 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 détailLES 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 détailChapitre 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 détailConvergences 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 détailUniversité Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME
Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par
Plus en détailChap. 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 détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailStatistiques appliquées à la gestion Cours d analyse de donnés Master 1
Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques
Plus en détailRégulation 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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailSéries 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 détailRÈGLES ORDINALES : UNE GÉNÉRALISATION DES RÈGLES D'ASSOCIATION
RÈGLES ORDIALES : UE GÉÉRALISATIO DES RÈGLES D'ASSOCIATIO SYLVIE GUILLAUME ALI KHECHAF 2 RÉSUMÉ: La plupart des mesures des règles cocere les variables biaires et écessite pour les autres types de variables
Plus en détailConsolidation. 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 détailLe marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble.
II LE MARCHE DU CAFE 1 L attractivité La segmetatio selo le mode de productio Le marché du café peut être segmeté e foctio de deux modes de productio pricipaux : la torréfactio et la fabricatio de café
Plus en détailContribution 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 détailInitiation à l analyse factorielle des correspondances
Fiche TD avec le logiciel : tdr620b Iitiatio à l aalyse factorielle des correspodaces A.B. Dufour & M. Royer & J.R. Lobry Das cette fiche, o étudie l Aalyse Factorielle des Correspodaces. Cette techique
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailUNIVERSITE 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 détailLes algorithmes de tri
CONSERVATOIRE NATIONAL DES ARTS ET METIERS PARIS MEMOIRE POUR L'EXAMEN PROBATOIRE e INFORMATIQUE par Nicolas HERVE Les algorithmes de tri Souteu le mai JURY PRESIDENTE : Mme COSTA Sommaire Itroductio....
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailRéseaux d ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus
Réseaux d odelettes et réseaux de euroes pour la modélisatio statique et dyamique de processus Yacie Oussar To cite this versio: Yacie Oussar. Réseaux d odelettes et réseaux de euroes pour la modélisatio
Plus en détailUNIVERSITÉ DE SFAX École Supérieure de Commerce
UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailUniversité 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 détailPROBLEMES 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 détailLa 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 détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailChapitre 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 détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailChap. 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