Statistiques inférentielles
|
|
- Christelle Meunier
- il y a 6 ans
- Total affichages :
Transcription
1 Chapitre 5 : Estimation ponctuelle Télécom Saint-Étienne 2015
2 Sommaire 1 Introduction 2 Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne 3
3 Plan 1 Introduction 2 3
4 Introduction - 1 Cette fois, il s agit d estimer certaines caractéristiques statistiques de la loi (moyenne, variance, fonction de répartition) au travers d une série d observations. C est la problématique inverse de l échantillonnage.
5 Introduction - 1 Cette fois, il s agit d estimer certaines caractéristiques statistiques de la loi (moyenne, variance, fonction de répartition) au travers d une série d observations. C est la problématique inverse de l échantillonnage. Le problème de l estimation peut s énoncer de la façon suivante : disposant d observations x 1,x 2,,x n d une variable aléatoire X, obtenues à partir d un échantillonnage aléatoire (n-échantillon de la variable aléatoire X), quelle loi théorique inconnue peut-on retenir comme loi de X? (loi parente)
6 Introduction - 2 Si ce choix devait être fait parmi l ensemble de toutes les lois de probabilité existantes, on conçoit que le problème serait difficilement résolu sans un échantillon de taille très grande. Mais, dans ce chapitre, nous allons voir que les résultats sur l échantillonnage permettent de résoudre le problème dès lors que l on restreint le choix de la loi parente à une famille de lois de probabilité parfaitement déterminées par la donnée d un ou plusieurs paramètres.
7 Introduction - 2 Si ce choix devait être fait parmi l ensemble de toutes les lois de probabilité existantes, on conçoit que le problème serait difficilement résolu sans un échantillon de taille très grande. Mais, dans ce chapitre, nous allons voir que les résultats sur l échantillonnage permettent de résoudre le problème dès lors que l on restreint le choix de la loi parente à une famille de lois de probabilité parfaitement déterminées par la donnée d un ou plusieurs paramètres. Le problème devient alors de choisir une valeur de chaque paramètre (estimation ponctuelle).
8 Introduction - 2 Si ce choix devait être fait parmi l ensemble de toutes les lois de probabilité existantes, on conçoit que le problème serait difficilement résolu sans un échantillon de taille très grande. Mais, dans ce chapitre, nous allons voir que les résultats sur l échantillonnage permettent de résoudre le problème dès lors que l on restreint le choix de la loi parente à une famille de lois de probabilité parfaitement déterminées par la donnée d un ou plusieurs paramètres. Le problème devient alors de choisir une valeur de chaque paramètre (estimation ponctuelle). L estimation consiste à donner des valeurs approximatives aux paramètres d une population à l aide d un échantillon de n observations issues de cette population. On peut se tromper sur la valeur exacte, mais on donne la meilleure valeur possible que l on peut supposer.
9 Exemple - 1 Exemple Avant de choisir un véhicule automobile, on se fixe un critère de choix basé sur le nombre X de pannes par an que l on est susceptible d avoir avec un modèle donné. Ayant la possibilité de faire une étude statistique chez un concessionnaire donné, on prélève au hasard n dossiers de véhicules et l on note x 1,x 2,,x n le nombre de pannes subies la première année de mise en circulation de ces véhicules. La loi de Poisson est bien adaptée à la modélisation du nombre de pannes. Conséquemment, le choix de la loi parente est fait parmi la famille de lois {P(λ); λ > 0}. L unique paramètre déterminant la loi est ici λ. Or, on sait que λ est l espérance de la loi : λ = E[X].
10 Exemple - 2 On estime donc la valeur de ce paramètre par la moyenne des valeurs observées sur l échantillon : x := 1 n n x i. On utilise donc comme estimateur la moyenne d échantillon (estimation ponctuelle) : X n := 1 n i=1 n X i, où les X 1,X 2,,X n sont les variables aléatoires donnant respectivement les nombres de pannes x 1,x 2,,x n dans les échantillons aléatoires de taille n. i=1
11 Définitions Définition Un estimateur T n est une statistique permettant d évaluer un paramètre inconnu θ relatif à la loi de probabilité parente.
12 Définitions Définition Un estimateur T n est une statistique permettant d évaluer un paramètre inconnu θ relatif à la loi de probabilité parente. Définition On parle d estimation de θ associée à cet estimateur la valeur observée lors de l expérience, c est-à-dire la valeur prise par la fonction au point observé (x 1,,x n ).
13 Exemples d estimateurs Exemple L expression d un estimateur découle souvent très naturellement de l interprétation que l on peut donner du paramètre θ. Par exemple, si θ = E[X], alors on retient logiquement comme estimateur la moyenne d échantillon : X n := 1 n n X i. i=1
14 Exemples d estimateurs Exemple L expression d un estimateur découle souvent très naturellement de l interprétation que l on peut donner du paramètre θ. Par exemple, si θ = E[X], alors on retient logiquement comme estimateur la moyenne d échantillon : X n := 1 n n X i. De même, si θ = Var[X], alors on retient logiquement comme estimateur la variance d échantillon : S 2 n := 1 n n i=1 i=1 ( X i X n ) 2.
15 Remarque Remarque La loi de probabilité d un estimateur T n dépend de la valeur du paramètre θ. C est pourquoi, dans la suite de ce cours, on note E θ [T n ] (respectivement Var θ [T n ]) l espérance (respectivement la variance) de la statistique T n.
16 Plan 1 Introduction 2 Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne 3
17 Définitions Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne Définition : Biais d un estimateur On appelle biais de T n pour θ la valeur b θ (T n ) := E θ [T n ] θ.
18 Définitions Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne Définition : Biais d un estimateur On appelle biais de T n pour θ la valeur b θ (T n ) := E θ [T n ] θ. Définition Un estimateur est dit sans biais si b θ (T n ) = 0 c est-à-dire si E θ [T n ] = θ.
19 Définitions Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne Définition : Biais d un estimateur On appelle biais de T n pour θ la valeur b θ (T n ) := E θ [T n ] θ. Définition Un estimateur est dit sans biais si b θ (T n ) = 0 c est-à-dire si E θ [T n ] = θ. On dit qu un estimateur est sans biais si en moyenne, on ne fait pas d erreur systématique.
20 Exemple d estimateur sans biais Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne Exemple Si le paramètre à estimer est l espérance de la loi θ = E[X], l estimateur naturel est la moyenne d échantillon X n := 1 n n X i. D après le chapitre sur l échantillonnage, on a E θ [T n ] = E[X] = θ. Il s ensuit que X n est un estimateur sans biais de l espérance. i=1
21 Estimateur asymptotiquement sans biais Définition On dit que T n est un estimateur asymptotiquement sans biais de θ si pour tout θ Θ, on a lim n b θ [T n ] = 0 c est-à-dire si lim n E θ [T n ] = θ.
22 Estimateur asymptotiquement sans biais Définition On dit que T n est un estimateur asymptotiquement sans biais de θ si pour tout θ Θ, on a lim n b θ [T n ] = 0 c est-à-dire si Exemple lim n E θ [T n ] = θ. Si le paramètre à estimer est la variance de la loi, θ = Var[X], l estimateur naturel est la variance d échantillon S 2 n := 1 n n i=1 ( X i X n ) 2. D après le chapitre sur l échantillonnage, E θ [Sn] 2 = n 1 n 1 n Var[X] = n θ. Il s ensuit que S2 n n est pas un estimateur sans biais de la variance. Mais, c est un estimateur asymptotiquement sans biais.
23 Définition Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne Définition : Estimateur convergent On dit que T n est un estimateur convergent si la suite de variables aléatoires (T n ) n converge en probabilité vers la valeur du paramètre θ.
24 Définition Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne Définition : Estimateur convergent On dit que T n est un estimateur convergent si la suite de variables aléatoires (T n ) n converge en probabilité vers la valeur du paramètre θ. En d autres termes, un estimateur est convergent si pour tout ǫ > 0, la suite numérique de terme général converge vers 0. P( T n θ > ǫ)
25 Propriété Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne Remarque La distribution d échantillonnage d un estimateur convergent tend à se concentrer autour de la valeur θ du paramètre à estimer quand la taille de l échantillon augmente.
26 Propriété Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne Remarque La distribution d échantillonnage d un estimateur convergent tend à se concentrer autour de la valeur θ du paramètre à estimer quand la taille de l échantillon augmente. Démontrer la convergence en probabilité n est pas facile. On peut toutefois montrer qu un estimateur est convergent en utilisant le théorème suivant.
27 Propriété Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne Remarque La distribution d échantillonnage d un estimateur convergent tend à se concentrer autour de la valeur θ du paramètre à estimer quand la taille de l échantillon augmente. Démontrer la convergence en probabilité n est pas facile. On peut toutefois montrer qu un estimateur est convergent en utilisant le théorème suivant. Théorème Un estimateur asymptotiquement sans biais dont la variance tend vers zéro est convergent.
28 Exemple Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne Exemple Si le paramètre à estimer est l espérance de la loi, θ = E[X], ce paramètre est estimé sans biais par X n. Or, on sait d après le chapitre sur l échantillonnage que l on a Var θ [X n ] = Var[X] n 0. Il s ensuit que la moyenne d échantillon est un estimateur convergent de l espérance.
29 Exemple Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne Exemple Si le paramètre à estimer est l espérance de la loi, θ = E[X], ce paramètre est estimé sans biais par X n. Or, on sait d après le chapitre sur l échantillonnage que l on a Var θ [X n ] = Var[X] n 0. Il s ensuit que la moyenne d échantillon est un estimateur convergent de l espérance. De la même manière, on sait, sous certaines hypothèses, que la variance de Sn 2 tend vers 0 quand n tend vers l infini. Par conséquent, Sn 2 (ainsi que Sn 1 2 ) est un estimateur convergent de la variance.
30 Erreur quadratique moyenne Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne Définition : Erreur quadratique moyenne L erreur [ quadratique moyenne d un estimateur T n est E (T n θ) 2].
31 Erreur quadratique moyenne Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne Définition : Erreur quadratique moyenne L erreur [ quadratique moyenne d un estimateur T n est E (T n θ) 2]. Propriété Soit T n un estimateur du paramètre θ à étudier. On a alors [ (T n θ) 2] = Var θ [T n ]+(E[T n ] θ) 2.
32 Erreur quadratique moyenne Estimateurs sans biais Estimateur convergent Erreur quadratique moyenne Définition : Erreur quadratique moyenne L erreur [ quadratique moyenne d un estimateur T n est E (T n θ) 2]. Propriété Soit T n un estimateur du paramètre θ à étudier. On a alors [ (T n θ) 2] = Var θ [T n ]+(E[T n ] θ) 2. Remarque Entre deux estimateurs sans biais, le meilleur est celui dont la variance est minimale. On parle d efficacité.
33 Plan 1 Introduction 2 3
34 Principe de la méthode - 1 Soit X une variable aléatoire réelle de loi paramétrique (discrète ou continue), dont on veut estimer le paramètre θ. Alors, on définit une fonction f telle que f(x, θ) := f θ (x) si X est une variable aléatoire continue de densité f
35 Principe de la méthode - 1 Soit X une variable aléatoire réelle de loi paramétrique (discrète ou continue), dont on veut estimer le paramètre θ. Alors, on définit une fonction f telle que f(x, θ) := f θ (x) si X est une variable aléatoire continue de densité f et f(x, θ) := P θ (X = x) si X est une variable aléatoire discrète.
36 Principe de la méthode - 2 Définition On appelle fonction de vraisemblance de θ pour une réalisation (x 1,,x n ) d un échantillon, la fonction de θ : L (x1,,x n)(θ) := n f(x i, θ). i=1
37 Principe de la méthode - 2 Définition On appelle fonction de vraisemblance de θ pour une réalisation (x 1,,x n ) d un échantillon, la fonction de θ : L (x1,,x n)(θ) := n f(x i, θ). La méthode qui consiste à estimer θ par la valeur qui maximise L (x1,,x n) (la vraisemblance) s appelle méthode du maximum de vraisemblance. i=1
38 Principe de la méthode - 2 Définition On appelle fonction de vraisemblance de θ pour une réalisation (x 1,,x n ) d un échantillon, la fonction de θ : L (x1,,x n)(θ) := n f(x i, θ). La méthode qui consiste à estimer θ par la valeur qui maximise L (x1,,x n) (la vraisemblance) s appelle méthode du maximum de vraisemblance. On appelle ˆθ l estimateur associé : { } ˆθ := i=1 θ : L (x1,,x n)(ˆθ) = supl (x1,,x n)(θ) θ Θ.
39 Principe de la méthode - 3 Ceci est un problème d optimisation. On utilise généralement le fait que si L (x1,,x n) est dérivable et si L (x1,,x n) admet un maximum global en une valeur, alors la dérivée première de L (x1,,x n) s y annule et sa dérivée seconde y est négative.
40 Principe de la méthode - 3 Ceci est un problème d optimisation. On utilise généralement le fait que si L (x1,,x n) est dérivable et si L (x1,,x n) admet un maximum global en une valeur, alors la dérivée première de L (x1,,x n) s y annule et sa dérivée seconde y est négative. Réciproquement, si la dérivée première de L (x1,,x n) s annule en θ 0 := ˆθ, et si sa dérivée seconde est négative strictement en ˆθ, alors ˆθ est un point où L (x1,,x n) admet un maximum local (et non global). Il est alors nécessaire de vérifier que le maximum est global.
41 Principe de la méthode - 3 Ceci est un problème d optimisation. On utilise généralement le fait que si L (x1,,x n) est dérivable et si L (x1,,x n) admet un maximum global en une valeur, alors la dérivée première de L (x1,,x n) s y annule et sa dérivée seconde y est négative. Réciproquement, si la dérivée première de L (x1,,x n) s annule en θ 0 := ˆθ, et si sa dérivée seconde est négative strictement en ˆθ, alors ˆθ est un point où L (x1,,x n) admet un maximum local (et non global). Il est alors nécessaire de vérifier que le maximum est global. La vraisemblance étant positive et le logarithme népérien, log, étant une fonction croissante, il est équivalent et souvent plus simple de maximiser le logarithme népérien de la vraisemblance (le produit se transforme en somme, ce qui est plus simple à dériver).
42 Exemple - 1 Avec une loi discrète On souhaite estimer le paramètre λ d une loi de Poisson à partir d un n-échantillon. On a ici λ λn f(n, λ) = P λ (X = n) = e n!.
43 Exemple - 1 Avec une loi discrète On souhaite estimer le paramètre λ d une loi de Poisson à partir d un n-échantillon. On a ici λ λn f(n, λ) = P λ (X = n) = e n!. La fonction de vraisemblance s écrit ainsi L (x1,,x n)(λ) = n i=1 e λ λx i x i! = e λn n i=1 λ x i x i!.
44 Exemple - 1 Avec une loi discrète On souhaite estimer le paramètre λ d une loi de Poisson à partir d un n-échantillon. On a ici λ λn f(n, λ) = P λ (X = n) = e n!. La fonction de vraisemblance s écrit ainsi L (x1,,x n)(λ) = n i=1 On prend le logarithme népérien : e λ λx i x i! = e λn ( ) log L (x1,,x n)(λ) = λn+log(λ) n i=1 n x i i=1 λ x i x i!. n log(x i!). i=1
45 Exemple - 2 La dérivée première vaut n+ 1 λ n x i. i=1
46 Exemple - 2 La dérivée première vaut n+ 1 λ Elle s annule pour ˆλ := 1 n ni=1 x i. n x i. i=1
47 Exemple - 2 La dérivée première vaut n+ 1 λ n x i. Elle s annule pour ˆλ := 1 ni=1 n x i. Et, la dérivée seconde, qui est égale à ni=1 x i λ 2, est toujours négative. i=1
48 Exemple - 2 La dérivée première vaut n+ 1 λ n x i. Elle s annule pour ˆλ := 1 ni=1 n x i. Et, la dérivée seconde, qui est égale à ni=1 x i λ 2, est toujours négative. Ainsi, la méthode du maximum de vraisemblance nous donne comme estimateur : ˆλ := x, la moyenne d échantillon. i=1
EXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en 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 détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en 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 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 détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
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 détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en 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 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 détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en 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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
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 détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours.
Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
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 détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailEPREUVES AU CHOIX DU CANDIDAT. Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1)
1 CYCLE MST-A 30 JUIN 2010 10 ème Promotion 2010 / 2012 CONCOURS D ENTREE A L IIA DROIT EPREUVES AU CHOIX DU CANDIDAT Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1) Le candidat traitera au choix
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
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 détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailCours3. Applications continues et homéomorphismes. 1 Rappel sur les images réciproques
Université de Provence Topologie 2 Cours3. Applications continues et homéomorphismes 1 Rappel sur les images réciproques Soit une application f d un ensemble X vers un ensemble Y et soit une partie P de
Plus en détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
Plus en détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I
Plus en détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
Plus en détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
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 détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailLes Conditions aux limites
Chapitre 5 Les Conditions aux limites Lorsque nous désirons appliquer les équations de base de l EM à des problèmes d exploration géophysique, il est essentiel, pour pouvoir résoudre les équations différentielles,
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
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 détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailExercice 3 (5 points) A(x) = 1-e -0039' -0 156e- 0,039x A '() -'-,..--,-,--,------:-- X = (l_e-0,039x)2
Les parties A et B sont indépendantes. Partie A Exercice 3 (5 points) Commun à tous les candidats On considère la fonction A définie sur l'intervalle [1 ; + 00 [ par A(x) = 1-e -0039' ' x 1. Calculer la
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détail