Intégration et probabilités ENS Paris, TD 12 Convergence de variables aléatoires Corrigé
|
|
- Ernest Marcel Legaré
- il y a 7 ans
- Total affichages :
Transcription
1 Itégratio et probabilités ENS Paris, TD 12 Covergece de variables aléatoires Corrigé Exercice du TD 11 à préparer Exercice 0. Soit (X, 1) ue suite de v.a. i. i.d. de loi expoetielle de paramètre Motrer que limsup X / l() = 1 p.s. 2. O pose Z = max(x 1,...,X )/ l(), motrer que limif Z 1 p.s. 3. Motrer que pour ue suite ( k ) k 0 bie choisie, limsup k Z k 1 p.s. E déduire que lim Z = 1 p.s. 1. Soit a 0, alors pour tout ε > 0 l évèemet {limsupx / l() > a} est imbriqué etre deux limsup d évèemets : lim sup {X (a ε)l()} {limsup X / l() > a} limsup{x > al()}. P[X al()] = 1 a, et les évèemets sot idépedats, doc d après Borel-Catelli e preat des ε apropriés [ ] { X P lim sup 1 si a < 1 l() > a = 0 si a > 1, doc limsup X l() = 1 p.s. 2. Soit ɛ (0,1) et posos A = {Z 1 ɛ}. Motrer que P(A ) coverge. O a P(A ) = P(X i (1 ɛ)l() pour 1 i ) = P(X 1 (1 ɛ)l()) = ( 1 e (1 ɛ)l()) ( = 1 1 ) ( ( = exp 1 ɛ l 1 1 )) ( ) 1 1 ɛ exp 1 ɛ exp( ɛ ). Doc P(A ) coverge. D après le lemme de Borel-Catelli, p.s., pour tout suffisammet grad o a Z 1 ɛ, ce qui coclut. 3. Posos B = {Z 1 + ɛ}. U calcul proche de celui de la questio précédete doe : ( P(B ) = ) 1+ɛ 1 ɛ. Pour des questios, demade de précisios ou explicatios, hésitez pas à m evoyer u mail à igor.kortchemski@es.fr, ou bie à veir me voir au bureau V4. 1
2 La série de terme gééral 1/ ɛ e coverge pas, il faut doc ruser u peu. Fixos η > 0 et posos k = (1 + η) k. Alors k P (B k ) coverge et d après le lemme de Borel-Catelli, p.s., pour tout k suffisammet grad o a Z k 1 + ɛ. O ecadre esuite 1 : (1 + η) k (1 + η) k+1 et o écrit : Z = max(x 1,...,X ) l() max(x 1,...,X k+1 ) l() max(x 1,...,X k+1 ) l( k+1 ) = Z l( k+1 ) l( k ) k+1 k + 1 k. Il s esuit que limsup Z = 1 p.s. Compte teu de la questio 2, il e découle que lim Z = 1 p.s. 0 Petites questios Vrai ou faux? 1. Soiet (X ) 1 ue suite de variables aléatoires réelles et X ue variable aléatoire réelle défiies sur (Ω,A,P). O suppose que X X e loi. Motrer que f (X ) f (X) e loi pour toute foctio cotiue f : R R. 2. Soit (µ ) 0 ue suite de mesures de probabilité et µ ue mesure positive. Alors il y a covergece étroite des µ vers µ si et seulemet si, pour toute foctio f cotiue à support compact, o a la covergece f dµ f dµ. 3. Si la suite de variables aléatoires (X ) 0 coverge e loi vers X, alors E[X ] E[X]. 1. Vrai : si g : R R est cotiue borée, alors g f est cotiue borée et doc E[g(f (X ))] E[g(f (X))]. 2. L implicatio est vraie (elle implique que µ est ue mesure de probabilité, et o coclut par ue propriété du cours), mais la réciproque est fausse (predre µ = δ ). 3. Faux : o pred (Ω,F,P) = ([0,1],B(R),dx) et X (t) la foctio tete telle que X (0) = 0,X (1/) =,X (2/) = 0. Alors X coverge p.s. vers 0 mais E[X ] = 1 E[0]. U autre exemple davatage probabiliste : soit (X ) 1 ue suite de variables aléatoires idépedates de même loi telles que P(X 1 = 1) = P(X 1 = 1) = 1/2. O ote Z = X 1 + X X et soit T = if 1;Z = 1. O pose fialemet : W = Z mi(,t ). Aisi, (W ) est la marche aléatoire issue de 0 qui fait des sauts ±1 qui reste e 1 ue fois qu elle l a atteit. Il est possible de vérifier que T < p.s. de sorte que (W ) coverge presque sûremet vers 1. Or il est facile de vérifier que pour tout 1, E[W ] = 0, de sorte que E[W ] e coverge pas vers E[1]. Avec le lagage du secod semestre, cela fourit l exemple d ue martigale qui coverge p.s. mais pas das L 1. Quels sot les lies etre ces différetes covergeces : e loi, presque sûre, e probabilité, L 1, L p pour p > 1? - Covergece p.s. implique covergece e probabilité qui implique covergece e loi. - Covergece L p pour p 1 implique covergece e probabilité. 2
3 - Covergece L q implique covergece L p pour q > p. Il est très fortemet recommadé de trouver des cotre-exemples pour les réciproques qui e sot pas vraies e gééral. O a cepedat les réciproques partielles suivates : - Covergece e probabilité implique la possibilité d extraire ue sous-suite qui coverge p.s. - E redéfiissat les variables sur u même espace de probabilité, il est possible de trasformer covergece e loi vers coverge p.s., c est le théorème de représetatio de Skorokhod vu e cours pour les variables réelles (Attetio : c est u résultat très subtil). - Covergece p.s. avec équiitégrabilité implique covergece L 1 (voir Exercice 6). 1 Covergeces e loi Exercice 1. (Lemme de Slutsky) Soiet (X ) 1, (Y ) 1 deux suites de variables aléatoires réelles, et X,Y deux variables aléatoires réelles défiies sur (Ω,A,P), telles que X X e loi et Y Y e loi. 1. O suppose que les variables X et Y sot idépedates pour tout 1 et que les variables X et Y sot idépedates. Motrer que (X,Y ) (X,Y ) e loi. 2. Est-il toujours vrai que (X,Y ) (X,Y ) e loi? 3. Lemme de Slutsky O suppose que Y est costate p.s. Motrer que (X,Y ) (X,Y ) e loi. 1. D après le théorème de Lévy, il suffit de motrer que Φ (X,Y )(t,t ) Φ (X,Y ) (t,t ) pour tout (t,t ) R 2. Et l o a par idépedace, Φ (X,Y )(t,t ) = Φ X (t)φ Y (t ) Φ X (t)φ Y (t ) = Φ (X,Y ) (t,t ). 2. Il est pas vrai e gééral que (X,Y ) (X,Y ) e loi. E effet, cosidéros les variables aléatoires X = Z = Y pour tout 1, avec Z gaussiee cetrée. La variable Z état symétrique, o a X Z e loi. Si (X,Y ) ( Z,Z) e loi, alors X +Y Z+Z e loi (car la foctio (x,y) x+y est cotiue), c est à dire 2Z = 0 e loi, ce qui est pas. 3. Il suffit de motrer que E(F(X,Y )) E(F(X,Y )) pour ue foctio F cotiue à support compact. Soit a R tel que Y = a p.s. O a alors Y a e probabilité (résultat importat à savoir prouver). Et E(F(X,Y )) E(F(X,a)) E(F(X,Y )) E(F(X,a)) + E(F(X,a)) E(F(X,a)). La foctio x R F(x,a) est cotiue et borée doc E(F(X,a)) E(F(X,a)) 0. De plus, la foctio F est uiformémet cotiue. Pour ε > 0, o peut trouver δ tel que F(x,y) F(x,y ) ε pour x x + y y δ. Alors, e otat M u majorat de F, o a E(F(X,Y )) E(F(X,a)) E( F(X,Y ) F(X,a) ) E( F(X,Y ) F(X,a) 1 { Y a δ}) + E( F(X,Y ) F(X,a) 1 { Y a <δ}) 2MP( Y a δ) + ε. Aisi, limsup E(F(X,Y )) E(F(X,a)) ε et ceci état vrai pour tout ε, o e déduit que E(F(X,Y )) E(F(X,a)) 0, puis le résultat. 3
4 Exercice 2. Soit (X, 1) ue suite de variables aléatoires réelles défiies sur (Ω,A,P) idépedates et de même loi µ. O pose M = max(x 1,...,X ). 1. O suppose que µ est la loi uiforme sur [0,1]. Motrer que la suite ((1 M )) 1 coverge e loi quad et expliciter la loi limite. 2. O suppose que µ est la loi de Cauchy stadard c est-à-dire que µ(dx) = (π(1 + x 2 )) 1 dx. Motrer que la suite (M 1 ) 1 coverge e loi et expliciter la loi limite. Rappel : arcta(x) = π 2 1 x + o( 1 x ) quad x Pour tout 1, la variable aléatoire (1 M ) est à valeurs das [0,]. O a doc, pour tout t < 0, P((1 M ) t) = 0. Soit t 0 fixé. Pour tout t, o a ( P((1 M ) t) = P M 1 t ) ( = 1 P M < 1 t ) ( = 1 1 t. ) Doc P((1 M ) t) (1 e t )1 {t 0}, et la foctio t (1 e t )1 {t 0} est la foctio de répartitio de la loi expoetielle de paramètre 1. Aisi, la suite ((1 M )) 1 coverge e loi vers ue variable aléatoire expoetielle de paramètre Soit t 0. O a doc P(M 1 ( ) ( ) P t P 0 = P(M M M 0) = 1 2, t) 0 quad. Soit maiteat t > 0. O a P(M 1 t) = P(M 1 D après ce qui a été fait précédemmet, P(M 1 ( ) P t,m M > 0 t,m > 0) + P(M 1 t,m 0). t,m 0) 0. Et ( = P M ) t = 1 t dx π(1 + x 2 ) = 1 1 ( ( π π 2 + arcta t ( 1 exp t ), π car arcta(x) = π 2 1 x +o( 1 x ) quad x. Aisi, la suite (M 1 ) 1 coverge e loi vers ue variable aléatoire expoetielle de paramètre π 1. )) 2 Covergeces e probabilité Exercice 3. (Problème du collectioeur) Soit (X k,k 1) ue suite de variables aléatoires idépedates uiformémet distribuées sur {1, 2,..., }. Soit T = if{m 1 : {X 1,...,X m } = {1,2,...,}} le premier temps où toutes les valeurs ot été observées. 4
5 1. Soit τ k = if{m 1 : {X 1,...,X m } = k}. Motrer que les variables (τ k τ k 1 ) 2 k sot idépedates, et détermier leurs lois respectives. 2. E déduire que T /(log) 1 e probabilité. 1. O a τ 1 = 1. Soit (t 2,...,t ) (N ) 1. O veut calculer P(τ 2 τ 1 = t 2,...,τ τ 1 = t ). E posat t 1 = 1 o a P(τ2 τ1 = t 2,...,τ τ 1 = t ) 1{ = X t t k = σ(k),x t t k +1 {σ(1),...,σ(k)},..., = σ S P σ S 1 =! = k=1 } X t t k +t k+1 1 {σ(1),...,σ(k)} {X t t = σ()} ( k 1 ( k 1 ) tk 1 ) tk 1 ( )( + 1 k k 1 ) tk 1 Doc les variables aléatoires (τ k τ k 1 ) 2 k sot idépedates, et ot respectivemet pour loi ( )( ) i k k 1 δ i. i 1 Cette loi est la loi de G k + 1 où G k suit la loi géométrique de paramètre (k 1)/. 2. O a T = τ 1 + (τ k τ k 1 ) et doc où H est la série harmoique et Doc pour tout ε > 0, Var(T ) = E(T ) = 1 + Var(τ k τ k 1 ) = + 1 k = 1 + H 1, (k 1)/ (( + 1 k)/) 2 C2. P( T E(T ) εlog()) Var(T ) ε 2 2 log() 2 C ε 2 log() 2. Doc (T E(T ))/(log()) 0 e probabilité. Or E(T ) log() quad. Doc pour tout ε > 0 o a { T log() 2εlog()} { T E(T ) εlog()} pour assez grad. O obtiet aisi le résultat. Exercice 4. 5
6 1. Motrer qu ue suite de variables aléatoires réelles X coverge e probabilité vers ue variable aléatoire X si et seulemet si de toute sous-suite de cette suite o peut extraire ue sous-sous-suite qui coverge ps vers X. 2. Motrer que si ue suite de variables aléatoires réelles X coverge e probabilité vers ue variable aléatoire X et si f : R R est cotiue, alors f (X ) coverge e probabilité vers f (X). 1. L implicatio est claire, car d après u résultat du cours o peut extraire ue sous-suite covergeate p.s. vers X pour toute suite de variables aléatoires covergeat e probabilité vers X. Pour la réciproque, raisoos par l absurde e supposat qu il existe ɛ > 0 et ue extractrice φ telle que P( X φ() X < ɛ) > ɛ pour tout 1. Par hypothèse, il existe ue extractice ψ telle que X φ(ψ()) coverge e probabilité vers X quad. Ceci cotredit le fait que P( X φ(ψ()) X < ɛ) > ɛ pour tout D après la première questio, il suffit de motrer que si φ est ue extractrice, il existe ue extractrice ψ telle que f (X φ(ψ()) ) coverge p.s. vers f (X). D après la première questio, il existe ue extractrice ψ telle que X φ(ψ()) coverge p.s. vers X. La coclusio e découle par cotiuité de f. Exercice 5. Soit (X ) 1 ue suite de variables aléatoires réelles et X ue v.a. réelles défiies sur (Ω,A,P). O suppose que X X e probabilité sous P. Motrer que si Q est ue mesure de probabilité sur (Ω,A) absolumet cotiue par rapport à P, alors X X e probabilité sous Q. La fao la plus rapide de faire cette exercice est d utiliser ce qu o coait déjà : d après Rado-Nikodym o peut trouver ue foctio f mesurable positive qui vérifie A A, Q(A) = f 1 A dp, et de plus f dp = 1 <, doc f est itégrable. Esuite, par l absolue cotiuité de l itégrale, ε > 0, δ > 0, A A, P(A) < δ Q(A) < ε. Et efi, soit η > 0, pour assez grad P[ X X > η] < δ, doc pour assez grad Q[ X X > η] < ε. 3 Covergeces L p Exercice 6. (Uiforme itégrabilité) Soit (X ) 1 ue suite de variables aléatoires réelles sur (Ω,A,P). O dit que la suite (X ) est uiformémet itégrable (ou equiitégraable ou u.i.) si lim sup E[ X 1 { X >M}] = 0. M 1 1. Motrer que si (X ) 1 est domiée par ue v.a. Y itégrable, alors (X ) 1 est u.i. 2. Motrer que si (X ) 1 est u.i. alors mais que la réciproque est fausse. supe[ X ] <, 1 6
7 3. O suppose que (X ) 1 est u.i. Motrer que ε > 0, δ > 0, A A, P(A) < δ supe[ X 1 A ] < ε. 1 Motrer que la réciproque est vraie à coditio de supposer supe[ X ] <. 4. Soit p > 1, motrer que si (X ) 1 est borée das L p (ie supe[ X p ] < ), alors (X ) 1 est u.i. 5. O suppose que X X p.s. (a) O suppose que X X das L 1, motrer que (X ) 1 est u.i. (b) Réciproquemet, o suppose que (X ) 1 est u.i. i. Motrer que X est itégrable. ii. Motrer que la suite (X X) 1 est u.i. iii. E déduire que X X das L 1. Ceci est biesûr rémiscet de l exercice 8 du TD Pour tout, X Y, doc pour tout par covergece domiée. E[ X 1 { X >M}] E[ Y 1 { Y >M} ] 0 2. Si (X ) 1 est u.i. alors lim M sup 1 E[ X 1 { X >M}] = 0, o peut aisi trouver M 0 tel qu o ait sup 1 E[ X 1 { X >M 0 }] = K 0 <. O a alors supe[ X ] K 0 + M 0 <. 1 Pour u cotre-exemple à la réciproque, il suffit de predre des approximatios de la mesure de dirac, ou e terme de v.a. P[X = ] = 1 et P[X = 0] = Soit ε > 0, comme (X ) est u.i., o peut trouver M 1 tel que sup 1 E[ X 1 { X >M 1 }] < ε/2. Esuite, si A A, E[ X 1 A ] = E[ X 1 A { X >M 1 }] + E[ X 1 A { X M 1 }] ε 2 + M 1P(A). Doc avec δ = 2M ε o a le résultat souhaité. Pour la réciproque, si M > supe[ X ] 1 δ, alors par l iégalité Markov P[X > M] < δ et par l hypothèse E[ X 1 { X >M}] < ε 1 M > supe[ X ]. δ 4. O suppose que sup X p <, et o va essayer d appliquer le critère précédet. Par Hölder ou Jese E[ X ] X p, doc la première hypothèse est vérifiée. Maiteat par Hölder : E[ X 1 A ] X p P(A) 1/q, ( ) q ε avec q < puisqu o a pris p > 1, et avec δ = sup X o a la relatio voulue. p 5. O suppose que X X p.s. 7
8 (a) O suppose que X X das L 1, o va à ouveau utiliser le critère de la questio 3. Comme E[ X ] E[ X ], la suite est borée et o a la première hypothèse. Preos ε > 0, et soit N > 0 tq > N, E[ X X ] < ε/2. O peut trouver δ 1 et δ 2 tels que P(A) < δ 1 max 1 i N E[ X i 1 A ] < ε, P(A) < δ 2 E[ X 1 A ] < ε 2. Esuite si > N, o a E[ X 1 A ] E[ X X ] + E[ X 1 A ] ε. (b) Réciproquemet, o suppose que (X ) 1 est u.i. i. Par Fatou, E[ X ] limife[ X ] supe[ X ] < ii. O utilise à ouveau le critère de la questio 3., mais je ai pas evie de le faire ue troisième fois. iii. Soit ε > 0 et M 2 > 0 tel que sup 1 E[ X X 1 { X X >M 2 }] < ε. La suite de v.a. X X 1 { X X M 2 } coverge vers 0 p.s. et est domiée par M 2, doc par covergece domiée E[ X X ] = E[ X X 1 { X X >M 2 }] + E[ X X 1 { X X M 2 }] ε + o(1), ce qui achève la démostratio. 3 À faire pedat les vacaces 1. Mager beaucoup de magret de caard. 2. Pour préparer l exame, réviser le cours et ce qui a été fait e TD. Chercher des exercices exames des aées précédets (les éocés sot dispoibles sur le site d eseigemet du DMA partie Archives pédagogiques, puis Aales d exames). 4 Complémets (hors TD) Exercice Soit m ue mesure de probabilité sur (R,B(R)). Pour tout 1, o défiit ue mesure de probabilité m sur (R,B(R)) par : m = m([k/,(k + 1)/[)δ k/. k Z Motrer que (m, 1) coverge étroitemet vers m. 2. E déduire que si (X ) 1 est ue suite de variables aléatoires, chaque X état de loi géométrique de paramètre e 1/, alors la suite (X /) 1 coverge e loi vers ue variable aléatoire expoetielle de paramètre 1. 8
9 1. Soit X ue variable aléatoire réelle défiie sur u espace (Ω,A,P) de loi m. Alors o voit que pour tout 1, la variable aléatoire Y = X / ( x désige la partie etière de x) suit la loi m. Et Y X p.s. Doc Y X e loi, ce qui sigifie que m m étroitemet. 2. O pose m(dx) = e x 1 {x>0} dx. Alors o vérifie que pour tout 1, m est la loi de la variable aléatoire X /. E effet, (k+1)/ P(X = k) = e k/ e (k+1)/ = e x dx = m ({k/}). k/ Exercice 8. Soiet (X ) 1 ue suite de variables aléatoires costates, respectivemet égales p.s. à x R, et X ue variable aléatoire réelle. Motrer que X X e loi si et seulemet si il existe x R tel que X est de loi δ x et x x quad. Si x x et si X est de loi δ x alors pour toute foctio cotiue g : R R o a E(g(X )) = g(x ) g(x) = E(g(X)), ce qui sigifie que X X e loi. Si X X e loi alors F X (t) F X (t) pour tout t D où D est l esemble des poits de cotiuité de F (D est dese car le complémetaire d u esemble déombrable). Pour tout t R, o a F X (t) {0,1} et doc F X (t) {0,1} pour tout t D. Comme F X est croissate, il existe x R tel que X est de loi δ x. Soit O u ouvert coteat x. Alors lim if P(X O) P(X O) = 1. Aisi limif P(X O) = 1 ce qui sigifie que x O à partir d u certai rag. O a doc bie x x quad. Exercice 9. Soit (Ω,F,P) u espace probabilisé. O suppose que Ω est déombrable et que la tribu F est P (Ω). Motrer que les covergeces presque-sûr et e probabilité sot équivaletes sur cet espace (pour des variables aléatoires à valeur das u espace métrique (E,d)). O éumère Ω = {ω i } i 1. Soit X et (X ) des variables aléatoires défiies sur (Ω,F,P) telles que X (P ) X. Pour motrer que X coverge p.s. vers X, il suffit de motrer que pour tout k > 1 P({ω, lim supd(x (ω),x(ω)) 1/k}) = 0. Soit ω i Ω tel que P({ω i }) > 0. D après la covergece e probabilité de X vers X, o a P({ω,d(X (ω),x(ω)) 1/k}) 0. Aisi, à partir d u certai rag, ω i {ω,d(x (ω),x(ω)) ε}. O e déduit que pour tout ω i de probabilité strictemet positive, limsupd(x (ω i ),X(ω i )) 1/k. La déombrabilité de Ω permet de coclure. 9
10 Exercice 10. ( ) Soit (Y ) 0 ue suite de variables aléatoires réelles suivat respectivemet ue loi gaussiee N(m,σ 2 ) avec m R et σ > 0. Motrer que cette suite coverge e loi vers ue variable réelle Y si et seulemet si les deux suites (m ) 0 et (σ ) 0 coverget vers respectivemet m et σ, et idetifier la loi limite. O rappelle que la foctio caractéristique d ue gaussiee N (m,σ 2 ) de moyee m et de variace σ 2 est Φ m,σ 2(t) = exp(imt σ 2 t 2 /2). La réciproque découle aisi immédiatemet du théorème de Lévy (petite remarque : lorsque σ = 0, la gaussiee N (m,σ 2 ) est par covetio costate égale à m). Pour l implicatio, supposos que Y coverge e loi vers Y. Le théorème de Lévy garatit que exp(im t σ 2 t 2 /2) coverge pour tout réel t lorsque, et doc que exp( σ 2 t 2 /2) coverge (e preat le module). Il s esuit que σ 2 coverge vers σ 2 R { }. Or E[exp(itY )] coverge vers E[exp(itY )] qui est ue foctio cotiue e t, ce qui exclut le cas σ 2 = (car alors E[exp(itY )] 1 t=0 ). Il s esuit que exp(im t) coverge pour tout réel t lorsque. Motros que cela etraîe la covergece de la suite (m ). Si o sait a priori que la suite (m ) est borée, c est facile : si m et m sot deux valeurs d adhérece o a exp(imt) = exp(im t) pour tout t R, ce qui etraîe m = m. Supposos la suite (m ) o borée et motros qu o arrive à ue cotradictio. O extrait ue sous-suite (m k ) qui coverge vers + (o fait le même raisoemet pour ). Alors pour tout A > 0, d après le théorème de Portmateau : P(Y A) limsupp(y k A) 1/2 k puisque pour k suffisammet grad o a P(Y k A) P(Y k m k ) = 1/2. La cotradictio souhaitée arrive e faisat tedre A. Exercice 11. ( ) D où viet le om Théorème de portmateau? Portmateau veut dire grosse valise e aglais. Le Théorème de portmateau a été ommé aisi e raiso des ombreuses équivaleces présetes das so éocé : ce est pas u mot-valise mais u theorème-valise. Fi 10
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 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 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 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. (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 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 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 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 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[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 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 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 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 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 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 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 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 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 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 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 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 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 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 : 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détail2 ième partie : MATHÉMATIQUES FINANCIÈRES
2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul
Plus en 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 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 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 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 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 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 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 détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires
Plus en 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 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 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 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 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 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 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 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 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 détail3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions.
3 Réseau Le réseau costitue u aspect essetiel d u eviroemet virtuel ESX. Il est doc importat de compredre la techologie, y compris ses différets composats et leur coopératio. Das ce chapitre, ous étudios
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 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 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 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 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 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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en 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 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 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 détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en 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 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 détailPOLITIQUE ECONOMIQUE ET DEVELOPPEMENT
POLTQU ONOMQU T DVLOPPMNT TRUTUR DU MAR NATONAL DU AF-AAO T PR AU PRODUTUR MALAN Beïla Beoit osultat PD N 06/008 ellule d Aalyse de Politiques coomiques du R Aée de pulicatio : Avril 009 Résumé e papier
Plus en 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 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 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 détailDares Analyses. Plus d un tiers des CDI sont rompus avant un an
Dares Aalyses javier 2015 N 005 publicatio de la directio de l'aimatio de la recherche, des études et des statistiques Plus d u tiers des CDI sot rompus avat u a Le cotrat de travail à durée idétermiée
Plus en détailGérer les applications
Gérer les applicatios E parcourat les rayos du Widows Phoe Store, vous serez e mesure de compléter les services de base de votre smartphoe à travers plus de 10 000 applicatios. Gratuites ou payates, ces
Plus en détailExamen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot
Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules sera mis à dispositio des cadidats, si écessaire. Etat au 1er mars
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 détailLa maladie rénale chronique
La maladie réale chroique Qu est-ce que cela veut dire pour moi? Natioal Kidey Disease Educatio Program La maladie réale chroique: l essetiel Vous avez été iformé(e) que vous êtes atteit(e) de la maladie
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 détailMUTUELLE D&O MUTUELLE D&O. Copilote de votre santé. AGECFA-Voyageurs CARCEPT CARCEPT-Prévoyance CRC CRIS CRPB-AFB
MUTUELLE D&O MUTUELLE D&O Copilote de votre saté AGECFA-Voyageurs CARCEPT CARCEPT-Prévoyace CRC CRIS CRPB-AFB DOMISSIMO-Assuraces DOMISSIMO-Services FONGECFA-Trasport IPRIAC MUTUELLE D&O OREPA-Prévoyace
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 détailThéorie de la Mesure et Intégration
Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY 2 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble
Plus en détailEtude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?
Etude Spéciale o. 7 Javier 2003 SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? MARK SCHNEIDER Le CGAP vous ivite à lui faire part de vos commetaires, de vos rapports et de toute demade d evoid autres
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 détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailUn nouvel opérateur de fusion adaptatif. A new adaptive operator of fusion. 1. introduction
A ew adaptive operator of fusio par Fraçois DELMOTTE LAMIH, Uiversité de Valeciees et du Haiaut-Cambrésis, Le Mot Houy, BP 3, 5933 Valeciees CEDEX 9 fdelmott@flore.uiv-valeciees.fr résumé et mots clés
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en 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 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 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 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 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 détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailMécanismes de protection contre les vers
Mécaismes de protectio cotre les vers Itroductio Au cours de so évolutio, l Iteret a grademet progressé. Il est passé du réseau reliat quelques cetres de recherche aux États-Uis au réseau actuel reliat
Plus en détail