Espérance, variance ; loi faible des grands nombres
|
|
- Chantal Émond
- il y a 6 ans
- Total affichages :
Transcription
1 49 Espérance, variance ; loi faible des grands nombres Pour ce chapitre, (Ω, B, P) est un espace probabilisé et X une variable aléatoire à valeurs réelles positives (i. e. une application de Ω dans R + telle que X 1 (], x]) B pour tout réel x). On note V R (Ω, B, P) l'espace vectoriel des variables aléatoires réelles sur (Ω, B, P). On rappelle qu'une variable aléatoire X est dite discrète si X (Ω) est dénombrable et si X 1 ({x}) B pour tout réel x. Dans le cas où X (Ω) est ni, on dit que X est étagée. Si A 1,, A n sont des éléments de B et λ 1,, λ n des réels, alors X variable aléatoire étagée sur (Ω, P (Ω), P) (χ A est la fonction caractéristique de A). Réciproquement, si X est étagée avec X (Ω) {λ 1,, λ n }, on a alors X n λ χ A n est une λ χ A A (X x ) pour tout compris entre 1 et n, ces événement A formant une partition de Ω Espérance des variables aléatoires réelles positives L'application t P (X > t) 1 P (X t) 1 F X (t) est décroissante à valeurs dans [, 1]. Elle est donc Riemann-intégrable sur tout segment [, x] avec x > et la fonction x x P (X > t) dt qui est croissante admet une limite, éventuellement égale à +, quand x tend vers +. On peut donc donner la dénition suivante. Dénition 49.1 Si X est à une variable aléatoire à valeurs réelles positives, l'espérance de X est l'élément de R + [, + ] déni par : E (X) P (X > t) dt où on a : Avec : x P (X > t) 1 F X (t) P (X > t) dt x x F X (t) dt 1255
2 1256 Espérance, variance ; loi faible des grands nombres Dans le cas où X est majorée, il existe un réel a > tel que X (ω) a pour tout ω Ω, donc P (X > t) pour tout t > a E (X) a P (X > t) dt a Exercice 49.1 Calculer E (λχ A ) pour tout élément A de B et tout réel positif λ. Solution 49.1 En notant X λχ A, on a : donc : ce qui donne : ω Ω, X (ω) { λ si ω A si ω / A t, (X > t) {ω Ω X (ω) > t} t, P (X > t) E (X) λ { si t λ P (A) si t < λ P (X > t) dt λp (A) { si t λ A si t < λ Dans le cas particulier où X est constante positive (i. e. X λχ Ω ) on a E (X) λ. Exercice 49.2 Montrer que si X est une variable aléatoire positive et λ un réel strictement positif, on a alors E (λx) λe (X). Que se passe-t-il pour λ? Solution 49.2 La variable aléatoire λx est positive ( E (λx) P (λx > t) dt P X > t ) dt λ Cette formule est valable pour λ, si E (X) est ni. P (X > u) λdu λe (X) Exercice 49.3 Montrer qu'une variable aléatoire X qui suit une loi exponentielle de paramètre λ admet une espérance et calculer cette dernière. Solution 49.3 Si X E (λ), on a alors : t, P (X > t) 1 F X (t) { e λt si t 1 si t < E (X) e λt dt 1 λ Exercice 49.4 Montrer que pour toute variable aléatoire positive X, on a : E (X) P (X t) dt
3 Espérance des variables aléatoires réelles positives 1257 Solution 49.4 Comme, pour tout réel positif t, on a (X > t) (X t), on déduit que P (X > t) P (X t) et E (X) P (X t) dt. Pour tout réel ε >, le changement de variable t u + ε, nous donne : P (X t) dt ε ε + ε P (X u + ε) du P (X u + ε) du + P (X > u) du P (X u + ε) du (pour u [ ε, ], on a P (X u + ε) 1 et pour u, (X u + ε) (X > u)) et en conséquence P (X t) dt P (X > u) du E (X). Lemme 49.1 Une variable aléatoire réelle étagée sur (Ω, B, P) telle que X (Ω) {x 1,, x n } R + admet une espérance n E (X) x P (X x ) Démonstration. On peut supposer que x 1 < x 2 < < x n et on note p P (X x ) pour tout compris entre 1 et n. On a : si t < x 1 F X (t) p i si t [x, x +1 [ i1 1 si t [x n, + [ donc : x1 1 si t < x 1 P (X > t) 1 F X (t) 1 p i si t [x, x +1 [ i1 si t [x n, + [ x2 xn E (X) P (X > t) dt + P (X > t) dt + + P (X > t) dt + x 1 x n 1 x2 ( ) xn n 1 x 1 + (1 p 1 ) dt p i dt x 1 x n 1 i1 ( ) n 1 x 1 + (1 p 1 ) (x 2 x 1 ) p i (x n x n 1 ) i1 x n P (X > t) dt soit : ( ) n 1 E (X) x 1 + (1 p 1 ) (x 2 x 1 ) + (1 p 1 p 2 ) (x 3 x 2 ) p i (x n x n 1 ) x 1 (1 (1 p 1 )) + x 2 ((1 p 1 ) (1 p 1 p 2 )) + x n 1 ((1 p 1 p n 2 ) (1 p 1 p n 1 )) + x n (1 p 1 p n 1 ) p 1 x 1 + p 2 x p n 1 x n 1 + p n x n i1
4 1258 Espérance, variance ; loi faible des grands nombres puisque p p n 1 + p n 1. Exercice 49.5 Calculer E (X) pour X suivant une loi uniforme discrète, une loi de Bernoulli, une loi binomiale. Solution 49.5 Si X U ({1,, n}), alors : Si X B (p), alors : E (X) n E (X) p n n Si X B (n, p), alors en tenant compte de C n nc 1 n 1 pour 1 n, on a : E (X) n Cnp (1 p) n np n 1 n C 1 n 1p 1 (1 p) n 1 ( 1) np Cn 1p j j (1 p) n 1 j np (p + 1 p) n 1 np. j Lemme 49.2 Si X, Y sont deux variables aléatoires réelles étagées positives sur (Ω, B, P) et λ un réel strictement positif, on a alors : E (λx + Y ) λe (X) + E (Y ) Démonstration. Soit Z λx + Y. Pour tout z Z (Ω), on note : I z {(x, y) X (Ω) Y (Ω) λx + y z} C'est un ensemble ni puisque contenu dans X (Ω) Y (Ω) qui est ni. Pour tout z Z (Ω), on a la partition : (Z z) (x,y) I z (X x) (Y y) donc : E (Z) z Z(Ω) P (Z z) zp (Z z) z Z(Ω) (x,y) I z P ((X x) (Y y)) z (x,y) I z P ((X x) (Y y)) zp ((X x) (Y y)) z Z(Ω) (x,y) I z (λx + y) P ((X x) (Y y)) z Z(Ω) (x,y) I z (λx + y) P ((X x) (Y y)) (x,y) X(Ω) Y (Ω) λ x X(Ω) x y Y (Ω) P ((X x) (Y y)) + y Y (Ω) y x X(Ω) P ((X x) (Y y))
5 Espérance des variables aléatoires réelles positives 1259 avec : P ((X x) (Y y)) P (X x) (Y y) y Y (Ω) y Y (Ω) P ((X x)) puisque ((Y y)) y Y (Ω) est un système complet d'événements P ((X x) (Y y)) P (X x) (Y y) x X(Ω) x X(Ω) P ((Y y)) puisque ((X x)) x X(Ω) est un système complet d'événements. Ce qui nous donne : E (Z) λ xp ((X x)) + yp ((Y y)) x X(Ω) y Y (Ω) λe (X) + E (Y ). Dénition 49.2 On dit qu'une suite (X n ) n N de variables aléatoires réelles sur (Ω, B, P) converge vers une variable aléatoire réelle X sur (Ω, B, P) si pour tout ω Ω, la suite réelle (X n (ω)) n N converge vers X (ω) (ce qui revient à dire que la suite de fonctions (X n ) n N converge simplement vers X sur Ω). Théorème 49.1 Une variable aléatoire réelle positive sur (Ω, B, P) est limite d'une suite croissante de variables aléatoires réelles étagées positives. Démonstration. Soit X une variable aléatoire réelle positive sur (Ω, B, P) et (X n ) n N suite de variables aléatoires réelles sur (Ω, B, P) dénie par : la où : A n, X n n2 n 1 χ A n, ( 2 X < + 1 ) B n Chaque X n est une variable aléatoire réelle étagée positive. Pour ω Ω et n > X (ω), il existe un unique entier {,, n 1} tel que : 2 X (ω) < + 1 n (pour X (ω) < n, on a X (ω) < n, donc [ X (ω)] n 1 et X (ω) < + 1), ce qui signie qu'il existe un unique entier {,, n 1} tel que ω A n,, donc X n (ω) X (ω) X n (ω) < 1
6 126 Espérance, variance ; loi faible des grands nombres La suite (X n ) n N converge donc simplement vers X. Il reste à montrer que (X n ) n N est croissante. Pour ω Ω et n 1, on a deux possibilités. Soit X (ω) < n et alors X n (ω) 2 où n [2n X (ω)], c'est-à-dire que 2 X (ω) < + 1 n 2 n X n+1 (ω) 2 si n X (ω) < n 2n n+1 si X (ω) < qui donne dans tous les cas X n (ω) X n+1 (ω). Soit X (ω) n et alors X (ω) / A n, pour n 1 puisque X (ω) n + 1, ce qui donne X n (ω) X n+1 (ω). Lemme 49.3 Si X, Y sont deux variables aléatoires réelles positives sur (Ω, B, P) telles que X Y, on a alors E (X) E (Y ) (l'espérance est croissante). Démonstration. Si X Y, on a alors (X > t) (Y > t) pour tout réel t, donc P (X > t) P (Y > t) E (X) P (X > t) dt P (Y > t) dt E (Y ). Théorème 49.2 (Beppo-Levi) Si (X n ) n N est une suite croissante de variables aléatoires réelles positives sur (Ω, B, P) qui converge vers une variable aléatoire réelle X sur (Ω, B, P), on a alors : E (X) lim E (X n) dans R +. Démonstration. Avec X n X n+1 X ((X n ) n N converge en croissant vers X), on déduit que E (X n ) E (X n+1 ) E (X), donc (E (X n )) n N est croissante dans R +, elle est donc convergente (éventuellement vers + ) et lim E (X n) E (X). D'autre part, pour tout réel t >, la suite ((X n > t)) n N est croissante (X > t) n N (X n > t) (X n (ω) > t pour un entier n entraîne X (ω) lim entraîne X n (ω) > t pour n grand), ce qui donne : donc pour tout m 1 : et E (X) lim E (X n). m P (X > t) P (X > t) dt m + m n lim P (X n > t) m lim X m (ω) X n (ω) > t et X (ω) > t lim P (X n > t) dt m lim E (X n) P (X n > t) dt
7 Espérance des variables aléatoires réelles 1261 m Remarque 49.1 L'égalité lim P (X n > t) dt lim P (X n > t) dt est justiée par le théorème de convergence monotone qui nous dit que : si (f n ) n N est une suite croissante de fonctions de I [, m] dans R + telle que pour tout n N la fonction f n est continue par morceaux et lim f n f avec f est continue par morceaux, alors f (x) dx lim f n (x) dx. Théorème 49.3 Si X, Y sont deux variables aléatoires réelles positives sur (Ω, B, P) et λ un réel positif, on a alors : E (λx + Y ) λe (X) + E (Y ) Démonstration. En désignant respectivement par (X n ) n N et (Y n ) n N deux suites croissantes de variables aléatoires réelles positives et étagées sur (Ω, B, P) qui convergent vers X et Y respectivement, la suite (λx n + Y n ) n N est étagée positive, converge en croissant vers λx +Y et on a : m E (λx + Y ) lim E (λx n + Y n ) lim λe (X n) + E (Y n ) λe (X) + E (Y ) I I 49.2 Espérance des variables aléatoires réelles Pour toute variable aléatoire X sur (Ω, B, P), on désigne par X + et X les variables aléatoires sur (Ω, B, P) dénies par : X + max (X, ) 1 2 (X + X ) et X max ( X, ) 1 ( X X) min (X, ) 2 On peut remarquer que : X X + X et X X + + X Dénition 49.3 On dit qu'une variable aléatoire X sur (Ω, B, P) est intégrable si E (X + ) < + et E (X ) < +. On note L 1 R (Ω, B, P) l'ensemble des variables aléatoires intégrables sur (Ω, B, P). Dénition 49.4 Si X est une variable aléatoire sur (Ω, B, P) qui est intégrable, son espérance est le réel : E (X) E ( X +) E ( X ) Théorème 49.4 Une variable aléatoire X sur (Ω, B, P) est intégrable si, et seulement si E ( X ) < + et dans ce cas, on a : E (X) (1 F X (t)) dt F X ( t) dt
8 1262 Espérance, variance ; loi faible des grands nombres Démonstration. Supposons X intégrable. Avec X X + + X, on déduit que E ( X ) E (X + ) + E (X ) < + (théorème 49.3). Réciproquement si E ( X ) < +, avec X ± X, on déduit que E (X ± ) E ( X ) < + et X est intégrable. Pour X intégrable, on a : E (X) E ( X +) E ( X ) P ( X + > t ) dt avec : ( X + > t ) (max (X, ) > t) (X > t) P ( X > t ) dt ( X > t ) (max ( X, ) > t) (X < t) ce qui donne : E (X) P (X > t) dt P (X < t) dt (1 F X (t)) dt F X ( t) dt Exercice 49.6 Soient X, Y deux variables aléatoires sur (Ω, B, P). Montrer que si X Y avec Y intégrable, alors X est intégrable. Solution 49.6 Si X Y avec Y intégrable, on a alors E ( X ) E ( Y ) < + et X est intégrable. Théorème 49.5 L'ensemble L 1 R (Ω, B, P) des variables aléatoires intégrables sur (Ω, B, P) est un sous-espace vectoriel de l'espace V R (Ω, B, P) des variables aléatoires réelles sur (Ω, B, P) et l'application : E : L 1 R (Ω, B, P) R X E (X) est une forme linéaire. Démonstration. On a E () E (χ ) P ( ). Donc L 1 R (Ω, B, P). Pour λ R et X, Y dans L 1 R (Ω, B, P), on a : avec : λx + Y λ X + Y E ( λ X + Y ) λ E ( X ) + E ( Y ) < + (théorème 49.3), donc E ( λx + Y ) < + et λx + Y L 1 R (Ω, B, P). Il en résulte que L 1 R (Ω, B, P) est un sous-espace vectoriel de V R (Ω, B, P). Pour X, Y dans L 1 R (Ω, B, P), on a : X + Y (X + Y ) + (X + Y ) ( X + X ) + ( Y + Y ) donc : (X + Y ) + + X + Y (X + Y ) + X + + Y + E ( (X + Y ) +) + E ( X ) + E ( Y ) E ( (X + Y ) ) + E ( X +) + E ( Y +)
9 Espérance des variables aléatoires réelles discrètes 1263 ce qui donne : E ( (X + Y ) +) E ( (X + Y ) ) E ( X +) E ( X ) + E ( Y +) E ( Y ) soit : E (X + Y ) E (X) + E (Y ) Pour X dans L 1 R (Ω, B, P) et λ R+, on a : (λx) + λ 2 (X + X ) λx+ et (λx) λ ( X X) λx 2 donc : E (λx) E ( (λx) +) E ( (λx) ) E ( λx +) E ( λx ) λ ( E ( X +) E ( X )) λe (X) Pour λ R, on a : avec λ >, donc : (λx) + λ 2 (X X ) λx et (λx) λ ( X X) λx+ 2 E (λx) E ( (λx) +) E ( (λx) ) E ( λx ) E ( λx +) λ ( E ( X +) E ( X )) λe (X) Pour λ c'est clair. En particulier, pour X L 1 R (Ω, B, P) et a, b réels, on a : E (ax + b) ae (X) + b 49.3 Espérance des variables aléatoires réelles discrètes Exercice 49.7 Calculer E (X) pour X n λ χ A, où les A sont dans B et les λ réels. Solution 49.7 On a : E (X) n λ E (χ A ) n λ P (A ) (exercice 49.1). Dans le cas particulier où X est une variable aléatoire constante, on X λχ Ω et E (X) λp (Ω) λ. Lemme 49.4 Soit X une variable aléatoire réelle discrète sur (Ω, P (Ω), P) avec X (Ω) {x i i I} où I est une partie de N. Pour toute application f de R dans R, on a : f X i I f (x i ) χ X 1 ({x i })
10 1264 Espérance, variance ; loi faible des grands nombres Démonstration. Pour tout ω Ω, il existe un indice I tel que X (ω) x f (x i ) χ X 1 ({x i }) (ω) f (x ) f X (ω) i I du fait que χ X 1 ({x i }) (ω) pour i (dans ce cas X (ω) x x i et ω / X 1 (x i )) et χ X 1 ({x }) (ω) 1. Pour f (x) x r où r est un entier naturel non nul, on a : X r i I x r i χ X 1 ({x i }) Dans le cas où X (Ω) {x 1,, x n } est ni, on en déduit que : E (X r ) n x r i E ( ) n χ X 1 ({x i }) x r i P (X x i ) i1 i1 Ce réel E (X r ) est appelé moment d'ordre r de la variable aléatoire étagée X. Pour r 1, on a l'espérance : n E (X) x i P (X x i ) i1 Théorème 49.6 Soit X une variable aléatoire réelle discrète sur (Ω, P (Ω), P) avec X (Ω) {x i i I} où I est une partie de N. Pour toute application f de R dans R +, on a dans R + : E (f X) i I f (x i ) P (X x i ) Démonstration. Dans le cas où X (Ω) {x 1,, x n } est ni, on a : f X n f (x i ) χ X 1 ({x i }) i1 et avec la linéarité de l'espérance, on déduit que : E (f X) n f (x i ) E ( ) χ X 1 ({x i }) f (x i ) P (X x i ). i1 Si X (Ω) {x i ; i N} est inni dénombrable, la suite de variables aléatoires (X n ) n N dénie par : n X n f (x i ) χ X 1 ({x i }) i est croissante (f est à valeurs positives) et converge vers f X (pour ω Ω, il existe un entier m tel que X (ω) x m et pour n m, on a X n (ω) f (x m ) f X (ω)), donc le théorème de Beppo-Levi nous dit que : E (f X) lim E (X n) + lim i I n f (x i ) P (X x i ) i n f (x n ) P (X x n ) i I f (x i ) P (X x i )
11 Espérance des variables aléatoires réelles discrètes 1265 Pour f (x) x, on a : E ( X ) i I x i P (X x i ) dans R + et dire que X admet une espérance signie que cette série est convergente, ce qui revient à dire que la série i I x i P (X x i ) est absolument convergente. Si X est une variable aléatoire réelle discrète sur (Ω, P (Ω), P) qui admet une espérance, la variable aléatoire X E (X) est la variable centrée associée à X et le réel, quand il existe : E ( (X E (X)) 2) i I (x i E (X)) 2 P (X x i ) est la variance de X. À toute fonction f : R R, on associe les fonctions f + et f dénies par : f + max (f, ) 1 2 (f + f ) et f min (f, ) max ( f, ) 1 ( f f) 2 Ces fonctions sont à valeurs positives. Lemme 49.5 Si X est une variable aléatoire réelle discrète sur (Ω, P (Ω), P) avec X (Ω) {x i i I} où I est une partie de N et f une fonction de R dans R, on a alors dans R + : E ( f + X ) f (x i ) P (X x i ) i I f(x i ) E ( f X ) i I f(x i ) E ( f X ) i I f (x i ) P (X x i ) f (x i ) P (X x i ) Démonstration. Comme f + est à valeurs positives et X discrète, on a : E ( f + X ) f + (x i ) P (X x i ) f (x i ) P (X x i ) i I i I f(x i ) et même chose pour f. Avec : (f X) (f X + f X ) 1 2 (f + f ) X f + X on déduit que : (f X) 1 2 ( f X f X) 1 2 ( f f) X f X E ( f X ) E ( (f X) + + (f X) ) E ( f + X + f X ) E ( f + X ) + E ( f X ) f (x i ) P (X x i ) f (x i ) P (X x i ) i I i I f(x i ) f(x i ) i I f (x i ) P (X x i )
12 1266 Espérance, variance ; loi faible des grands nombres Théorème 49.7 (de transfert) Si X est une variable aléatoire réelle discrète sur (Ω, P (Ω), P) avec X (Ω) {x i i I} où I est une partie de N et f une fonction de R dans R telle que f X soit intégrable, on a alors : E (f X) i I f (x i ) P (X x i ) Démonstration. En utilisant la démonstration du théorème précédent, on a : E (f X) E ( (f X) + (f X) ) E ( f + X f X ) E ( f + X ) E ( f X ) i I f(x i ) i I f (x i ) P (X x i ) + f (x i ) P (X x i ) f (x i ) P (X x i ) i I f(x i ) En particulier, pour f (x) x, on en déduit que si X est une variable aléatoire réelle discrète intégrable sur (Ω, P (Ω), P) avec X (Ω) {x i i I} où I est une partie de N, on a alors : E (X) i I x i P (X x i ) cette série étant absolument convergente dans le cas où l'ensemble dénombrable I est inni. On peut remarquer que : E (X) E ( X ) Dans le cas d'une variable aléatoire discrète, c'est ainsi que l'on dénit usuellement l'espérance et c'est nalement cette dénition que l'on peut retenir. On peut retrouver les propriétés de l'espérance (positivité, linéarité) dans le cas discret à partir de cette dénition. On peut interpréter cette formule en disant que l'espérance de X est la moyenne de ses valeurs pondérées par leurs probabilités de réalisation. Exercice 49.8 Calculer E (X) pour X suivant une loi géométrique, une loi de Poisson. Solution 49.8 Si X G (p) avec p ], 1[, on a alors : avec : + E (X) p + ( + ) x 1 x pour tout réel x ], 1[, ce qui nous donne : (1 p) 1 E (X) p p 2 1 p. ( ) 1 1 x 1 (1 x) 2 Si X P (λ), alors : E (X) e λ + + λ! λ j e λ λ j! λ. j
13 Espérance des variables aléatoires à densité Espérance des variables aléatoires à densité Lemme 49.6 Si X est une variable aléatoire réelle sur (Ω, P (Ω), P) possédant une densité f, on a alors : E ( X +) tf (t) dt, E ( X ) E ( X ) t f (t) dt tf (t) dt Démonstration. La suite (X n ) n N de variables aléatoires réelles étagées positives dénie par : où : A n, X n n2 n 1 χ A n, ( 2 X < + 1 ) n converge en croissant vers X + (voir la démonstration du théorème 49.1). Le théorème de Beppo-Levi nous dit alors que E (X + ) lim E (X n) avec : E (X n ) n2 n 1 n 1 n 1 ( 2 P n 2 X < + 1 n ( ( + 1 F X +1 On peut alors écrire que : n tf (t) dt E (X n ) et tenant compte de : on déduit que : E ( X +) n n f (t) dt n 1 n n2n 1 f (t) dt ) ) F X ( )) (t 2 ) f (t) dt n (t 2 ) f (t) dt n +1 f (t) dt 1 tf (t) dt E (X n ) 1 lim E (X n) lim n f (t) dt 1 tf (t) dt n f (t) dt tf (t) dt
14 1268 Espérance, variance ; loi faible des grands nombres De manière analogue, on vérie que la suite (Y n ) n N de variables aléatoires réelles étagées positives dénie par : où : B n, Y n converge en croissant vers X et E (X ) n ce qui donne E (X ) Enn : E (Y n ) n2 n 1 χ B n, ( + 1 < X ) lim E (Y n) avec : n2 n 1 n2n 1 tf (t) dt E (Y n ) tf (t) dt. f (t) dt E ( X ) E ( X +) + E ( X ) ( t ) f (t) dt 1 t f (t) dt Théorème 49.8 Si X est une variable aléatoire réelle sur (Ω, P (Ω), P) possédant une densité f et intégrable, on a alors : E (X) tf (t) dt Démonstration. En reprenant la démonstration du théorème précédent, on a pour X possédant une densité f et intégrable : E (X) E ( X +) E ( X ) tf (t) dt On retiendra en dénitive qu'une variable aléatoire continue de densité f admet une espérance si tf (t) dt est convergente et dans ce cas la valeur de cette intégrale est l'espérance de X. On remarquera que la fonction t tf (t) étant de signe constant sur R et sur R + respectivement, la convergence de l'intégrale tf (t) dt est équivalente à l'absolue convergence. Exemple 49.1 On dit qu'une variable aléatoire continue X suit une loi de Cauchy si elle admet pour fonction de densité la fonction : f : x 1 π(1 + x 2 ). Une telle variable aléatoire n'a pas d'espérance puisque t dt est divergente. 1 + t2
15 Variance, écart type, covariance 1269 Exercice 49.9 Déterminer l'espérance d'une variable aléatoire à densité qui suit une loi exponentielle de paramètre λ > ; une loi de Gauss de paramètres σ > et µ R. Solution 49.9 Si X E (λ), on a alors : E (X) λ Si X N (µ, σ), on a alors : te λt dt [ te λt] + + e λt dt 1 λ E (X) 1 σ te (t µ)2 µ + 2σx 2σ 2 dt 2π σ 2π e x2 σ 2dx µ 2σ + e x2 dx + xe x2 dx µ π π On admet le théorème suivant, qui est la version continue de 49.7, mais de démonstration plus compliquée. Théorème 49.9 (de transfert) 49.1Si X est une variable aléatoire réelle sur (Ω, P (Ω), P) possédant une densité f, φ : R R une fonction continue (ou plus généralement borélienne) telle que la variable aléatoire φ X soit intégrable, on a alors : E (φ X) φ (t) f (t) dt Pour φ (x) x r avec r entier naturel non nul, on a, en supposant X r intégrable : E (X r ) et cette quantité est le moment d'ordre r de X. Si X 2 admet une espérance, avec : X 1 + X 2 t r f (t) dt on déduit que X admet une espérance (exercice 49.6) et on a : E ( (X E (X)) 2) Cette quantité est la variance de X. (t E (X)) 2 f (t) dt 49.5 Variance, écart type, covariance Pour ce paragraphe, X est une variable aléatoire réelle sur un espace probabilisé (Ω, B, P). Dénition 49.5 On dit que X est de carré intégrable si la variable aléatoire X 2 est intégrable. On note L 2 R (Ω, B, P) l'ensemble des variables aléatoires de carré intégrable sur (Ω, B, P).
16 127 Espérance, variance ; loi faible des grands nombres Théorème 49.1 L'ensemble L 2 R (Ω, B, P) est un sous-espace vectoriel de l'espace L1 R (Ω, B, P) des variables aléatoires réelles intégrables sur (Ω, B, P). Pour X, Y dans L 2 R (Ω, B, P) la variable aléatoire XY est dans L 1 R (Ω, B, P) et l'application : φ : (L 2 R (Ω, B, P))2 R (X, Y ) E (XY ) est une forme bilinéaire, symétrique et positive sur L 2 R (Ω, B, P). Démonstration. Si X L 2 R (Ω, B, P), avec X 1 + X2, on déduit que X L 1 R (Ω, B, P), donc L 2 R (Ω, B, P) L1 R (Ω, B, P). Pour X, Y dans L 2 R (Ω, B, P), avec XY 1 2 (X2 + Y 2 ), on déduit que XY L 1 R (Ω, B, P) et X + Y L 2 R (Ω, B, P). Enn avec L 2 R (Ω, B, P) et λx L2 R (Ω, B, P) pour tout X L2 R (Ω, B, P), on déduit que L 2 R (Ω, B, P) est un sous-espace vectoriel de L1 R (Ω, B, P). Avec la linéarité de l'espérance, on déduit que l'application φ est bilinéaire, symétrique et avec la positivité de l'espérance qu'elle est positive. Si X L 2 R (Ω, B, P), la variable aléatoire (X E (X))2 X 2 2E (X) X + (E (X)) 2 est intégrable puisque L 2 R (Ω, B, P) L1 R (Ω, B, P) et on peut donner la dénition suivante. Dénition 49.6 La variance d'une variable aléatoire X L 2 R (Ω, B, P) est le réel déni par : et son écart type de X est le réel : V (X) E ( (X E (X)) 2) σ (X) V (X) Si X dans L 2 R (Ω, B, P), la variable aléatoire centrée réduite associée à X est la variable aléatoire dénie par X X E (X). σ (X) Les théorèmes de transfert 49.7 et 49.1 nous donnent les résultats suivants. Théorème Si X L 2 R (Ω, B, P) est discrète avec X (Ω) {x i i I} où I est une partie de N, on a alors : V (X) i I (x i E (X)) 2 P (X x i ) Théorème Si X L 2 R (Ω, B, P) est une variable aléatoire possédant une densité f, on a alors : V (X) (t E (X)) 2 f (t) dt On retiendra ces dénitions de la variance dans les cas discret et continu. Théorème Pour X L 2 R (Ω, B, P), on a : V (X) E ( X 2) (E (X)) 2 (formule de Köenig) (a, b) R 2, V (ax + b) a 2 V (X)
17 Variance, écart type, covariance 1271 Démonstration. En utilisant la linéarité de l'espérance, on a : V (X) E ( X 2 2E (X) X + (E (X)) 2) E ( X 2) 2 (E (X)) 2 + (E (X)) 2 E ( X 2) (E (X)) 2 V (ax + b) E ( (ax + b E (ax + b)) 2) E ( a 2 (X E (X)) 2) a 2 V (X) Le deuxième point du théorème précédent nous dit qu'une variable aléatoire constante a une variance nulle. L'exercice qui suit nous dit que la réciproque est presque vraie pour une variable aléatoire discrète. Exercice 49.1 Soit X L 2 R (Ω, B, P) discrète avec X (Ω) {x i i I} où I est une partie de N. Montrer que si V (X), on a alors P (X E (X)) 1 (on dit que X est presque sûrement constante). Solution 49.1 On a : ( V (X) i I (x i E (X)) 2 P (X x i ) ) ( i I, (x i E (X)) 2 P (X x i ) ) ( i I, x i E (X) ou P (X x i ) ) donc P (X x i ) pour tous les indices i I tels que x i E (X), c'est-à-dire P (X E (X)), ce qui équivaut à P (X E (X)) 1. De la formule de Köenig, on déduit que E (X 2 ) (E (X)) 2, l'égalité étant réalisée si, et seulement si, la variance est nulle. Dans le cas discret avec P (X x i ) > pour tout i I, l'égalité E (X 2 ) (E (X)) 2 équivaut à x i E (X) pour tout i I. Exercice Déterminer la variance, après avoir justié son existence, d'une variable aléatoire discrète suivant une loi uniforme discrète, une loi de Bernoulli, une loi binomiale, une loi géométrique, une loi de Poisson. Solution Si X suit une loi uniforme sur {1,, n}, on a E (X) n E ( X 2) n 2 1 (n + 1) (2n + 1) n 6 donc : (n + 1) (2n + 1) (n + 1)2 V (X) 6 4 Si X suit une loi de Bernoulli de paramètre p, on a : n E (X) E ( X 2) p, V (X) p (1 p) Si X suit une loi binomiale de paramètres n 2 et p ], 1[, on a E (X) np et en tenant compte de : ( 1) Cn n ( 1) Cn 1 1 n (n 1) Cn 2 2
18 1272 Espérance, variance ; loi faible des grands nombres pour 2 n, on a : ce qui nous donne : E (X (X 1)) n ( 1) Cnp (1 p) n 2 n (n 1) p 2 C 2 n 2p 2 (1 p) n 2 ( 2) n 2 n (n 1) p 2 Cn 2p j j (1 p) n 2 j j n (n 1) p 2 (p + 1 p) n 2 n (n 1) p 2 E ( X 2) E (X (X 1)) + E (X) n (n 1) p 2 + np V (X) n (n 1) p 2 + np n 2 p 2 np (1 p) Si X suit une loi géométrique de paramètre p ], 1[, on a E (X) 1 p avec : + 2 E (X (X 1)) p (1 p) + 2 ( + ) ( 1) x 2 x pour tout réel x ], 1[, ce qui nous donne : ( 1) (1 p) 2 ( ) 1 1 x 2 (1 x) 3 E (X (X 1)) 2p (1 p) p 3 2 (1 p) p 2 V (X) E (X (X 1)) + E (X) (E (X)) 2 2 (1 p) p p 1 p 2 1 p p 2 Si X suit une loi de Poisson de paramètre λ, on a alors E (X) λ donc V (X) λ. E ( X 2) + + e λ 2 λ! λ e λ ( 1)! ( ) + e λ λ 2 λ 2 + ( 2)! + λ λ 1 ( 1)! 2 λ 2 + λ Exercice Déterminer la variance, après avoir justié son existence, d'une variable aléatoire à densité qui suit une loi exponentielle de paramètre λ >, une loi de Gauss de paramètres σ > et µ R.
19 Variance, écart type, covariance 1273 Solution Si X E (λ), on a alors E (X) 1 λ E ( X 2) λ Donc V (X) 1 λ 2. t 2 e λt dt [ t 2 e λt] Si X N (µ, σ), on a alors E (X) µ te λt dt 2 λ E (X) 2 λ 2 V (X) E ( (X E (X)) 2) (t µ) 2 σ (t µ) 2 + 2σ 2 2π e 2σ 2 dt σ 2π x2 e x2 σ 2dx ( + [ 2σ2 x 2 e x2 dx 2σ2 1 ] + π π 2 xe x2 + 1 ) + e x2 dx σ 2 2 Dénition 49.7 La covariance de deux variables aléatoires X et Y dans L 2 R (Ω, B, P) est le réel déni par : Cov (X, Y ) E ((X E (X)) (Y E (Y ))) et, dans le cas où V (X) et V (Y ) sont non nuls, le coecient de corrélation de X et Y est la réel : Cov (X, Y ) ρ (X, Y ) σ (X) σ (Y ) Pour X, Y dans L 2 R (Ω, B, P) la variable aléatoire XY est dans L1 R (Ω, B, P) et Cov (X, Y ) est bien déni. On peut remarquer que pour Y X, on retrouve la variance. Dénition 49.8 On dit que deux variables aléatoires X et Y dans L 2 R (Ω, B, P) sont non corrélées si Cov (X, Y ). Théorème Pour X et Y dans L 2 R (Ω, B, P), on a : et l'application : Cov (X, Y ) E (XY ) E (X) E (Y ) (49.1) ψ : (L 2 R (Ω, B, P))2 R (X, Y ) Cov (X, Y ) est une forme bilinéaire, symétrique et positive sur L 2 R (Ω, B, P). Démonstration. En utilisant la linéarité de l'espérance, on a : Cov (X, Y ) E (XY E (X) Y E (Y ) X + E (X) E (Y )) E (XY ) E (X) E (Y ) Toujours avec la linéarité de l'espérance, on déduit que l'application ψ est bilinéaire, symétrique et avec la positivité de l'espérance qu'elle est positive. De (49.1), on déduit que X et Y dans L 2 R (Ω, B, P) sont non corrélées si, et seulement si, E (XY ) E (X) E (Y ). Exercice Montrer que pour X et Y dans L 2 R (Ω, B, P) tels que V (X) et V (Y ), on a ρ (X, Y ) 1.
20 1274 Espérance, variance ; loi faible des grands nombres Solution Comme ψ est bilinéaire, symétrique et positive, on a l'inégalité de Cauchy- Schwarz : Cov (X, Y ) V (X) V (Y ) σ (X) σ (Y ) qui équivaut à ρ (X, Y ) 1. Théorème Soient X 1,, X n dans L 2 R (Ω, B, P) et λ 1,, λ n des réels On a : ( n ) n V λ X λ 2 V (X ) + 2 Cov (X j, X ) 1 j< n et dans le cas particulier où les variables aléatoires X sont deux à deux non corrélées, on a : ( n ) n V λ X λ 2 V (X ) Démonstration. La première formule se déduit immédiatement du caractère bilinéaire symétrique de la covariance et dans le cas où les X X sont deux à deux non corrélées, on a Cov (X j, X ) pour j Inégalités de Marov et de Bienaymé-Tchebychev Théorème (Marov) Soit X une variable aléatoire réelle positive sur (Ω, B, P). Pour tout réel ε >, on a : P (X ε) E (X) ε Exercice Montrer l'inégalité de Marov dans le cas discret. Solution Comme x i pour tout i I N, on a : E (X) i I P (X x i ) x i i I x i ε P (X x i ) x i ε P (X x i ) εp (X ε). i I x i ε Théorème (Inégalité de Bienaymé-Tchebychev) Soit X L 2 R (Ω, B, P). Pour tout réel ε >, on a : P ( X E (X) ε) V (X). ε 2 Démonstration. On applique l'inégalité de Marov à la variable aléatoire réelle positive Y (X E (X)) 2. On a : P ( X E (X) ε) p ( Y ε 2) E (Y ) ε 2 V (X) ε 2. En prenant ε tσ (X) avec t >, l'inégalité de Bienaymé-Tchebychev s'écrit : P ( X E (X) tσ (X)) 1 t 2
21 Inégalités de Marov et de Bienaymé-Tchebychev 1275 ou encore : P ( X E (X) < tσ (X)) 1 1 t 2 et peut s'interpréter en disant que la variance de X est une mesure de la dispersion des valeurs de X autour de la moyenne E (X). L'inégalité de Bienaymé-Tchebychev peut être utilisée pour montrer le théorème de Bernstein relatif à l'approximation uniforme sur [, 1] d'une fonction continue par une suite de fonctions polynomiales. Exercice À tout entier naturel non nul n et tout réel x [, 1] on associe la variable aléatoire X n,x qui suit une loi binomiale B (n, x), c'est-à-dire que X n,x est à valeurs dans {, 1,, n} et sa loi de probabilité est dénie par : j {, 1,, n}, P (X n,x j) C j nx j (1 x) n j. À ( toute fonction ) f continue sur [, 1] et à valeurs réelles, on associe la variable aléatoire Y n,x Xn,x f. En notant {y,, y p } les valeurs prises par Y n,x, on a : n {,, p}, P (Y n,x y ) P (X n,x j). 1. Montrer que l'espérance de Y n,x est donnée par : où B n est l'opérateur de Bernstein. j n f( j n)y E (Y n,x ) B n (f) (x), 2. Pour ε >, on désigne par η > un réel tel que f (x) f (y) < ε pour x, y dans [, 1] vériant x y < η (uniforme continuité de f sur [, 1]) et, pour x xé dans [, 1], on note : { ( ) } J 1,x j {, 1,, n} j f f (x) n < ε { ( ) } J 2,x j {, 1,, n} j f f (x) n ε (a) Montrer que : B n (f) (x) f (x) ε + 2 f j J 2,x P (X n,x j). (b) Montrer que : B n (f) (x) f (x) ε + 2 f P ( Y n,x f (x) ε). (c) Montrer que : B n (f) (x) f (x) ε + 2 f P ( X n,x nx n η). (d) En utilisant l'inégalité de Bienaymé-Tchebychev, montrer que : et conclure. B n (f) (x) f (x) ε + f 2n η 2
22 1276 Espérance, variance ; loi faible des grands nombres Solution L'espérance de Y n,x est donnée par : 2. (les ensembles (a) Avec E (Y n,x ) n j p y P (Y n,x ) p j n f( n)y j n f j ( j n f { j {,, n} f p y j n f( j n)y ( ) j P (X n,x j) n P (X n,x j) n f j ) C j nx j (1 x) n j B n (f) (x) ( ) j P (X n,x j) n ( ) } j y forment une partition de {,, n}). n Cnx j j (1 x) n j n P (X n,x j) 1, on peut écrire que : j n ( ( ) ) j B n (f) (x) f (x) f f (x) C j n nx j (1 x) n j j ε Cnx j j (1 x) n j + 2 f Cnx j j (1 x) n j j J 1,x j J 2,x ε + 2 f j J 2,x P (X n,x j). (b) On a : P ( Y n,x f (x) ε) p y f(x) ε P (Y n,x y ) p j n y f(x) ε f( n)y j j n f( j n) f(x) ε P (X n,x j) P (X n,x j) j J 2,x P (X n,x j) et l'inégalité précédente s'écrit : B n (f) (x) f (x) ε + 2 f P ( Y n,x f (x) ε). (c) Comme l'événement Y n,x f (x) ε implique X n,x n et l'égalité annoncée. x η, on a : P ( Y n,x f (x) ε) P ( X n,x nx n η)
23 Inégalités de Marov et de Bienaymé-Tchebychev 1277 (d) Avec nx E (X n,x ) et l'inégalité de Bienaymé-Tchebychev, on a : ce qui donne : P ( X n,x nx n η) V (X n,x) n 2 η 2 x (1 x) n η 2 1 4n η 2, B n (f) (x) f (x) ε + f 2n η 2 < 2ε pour n n où n est un entier indépendant de x. La convergence uniforme vers f sur [, 1] de la suite (B n (f)) n 1 s'en déduit alors. Exercice Soit I [, b] avec b >. Si f est une fonction continue sur I, on la prolonge en une fonction continue sur R + en posant f (x) f (b) pour x supérieur ou égal à b. 1. Montrer que pour toute fonction f appartenant à C (I) et pour tout entier naturel n strictement positif on peut dénir une fonction u n (f) appartenant à C (I) en posant : + x I, u n (f) (x) e nx f ( ) n n! x. 2. Montrer, en s'inspirant de l'exercice précédent, que pour toute fonction f appartenant à C (I) la suite de fonctions (u n (f)) n 1 converge uniformément vers f sur I (une démonstration directe de ce résultat est possible mais peu évidente). Solution Soient n N, x [, b] et f : R + R uniformément continue et bornée. Soit X une variable aléatoire réelle suivant une loi de Poisson de paramètre nx. On a : ( ) ( ) X X E (X) nx, E x, V (X) nx, V x n n n + u n (f) (x) e nx f ( ) ( n n! x E f ( )) X. n Avec l'uniforme continuité de f sur R +, on peut trouver, pour tout réel ε >, un réel η > tel que : (x 1, x 2 ) ( R +) 2, x1 x 2 η f (x 1 ) f (x 2 ) ε. On a alors pour tout n 1 et tout x [, b], en notant χ A la fonction caractéristique de l'ensemble A et en utilisant l'inégalité de Bienaymé-Tchébychev : ( ) u n (f) (x) f (x) X (f E f (x)) n ( ( ) ) ( ( ) ) X E f f (x) X n χ X n x η + E f f (x) n χ X n x >η ( ) X ε + 2 f P n x > η V ( ) X n ε + 2 f η 2 ε + 2 f x nη 2 ε + 2b f η 2 1 n 2ε pour n assez grand (uniformément par rapport à x). Et c'est terminé.
24 1278 Espérance, variance ; loi faible des grands nombres 49.7 Convergence en probabilité Dénition 49.9 Soient (X n ) n N une suite de variables aléatoires réelles sur Ω et X une variable aléatoire réelle sur Ω. On dit que la suite (X n ) n N converge en probabilité vers X si : ε >, lim P ( X n X ) ε. Théorème Si lim E (X n X) converge en probabilité vers X. lim V (X n X), alors La suite (X n ) n N Théorème (loi faible des grands nombres) Si (X n ) n N est une suite de variables aléatoires réelles sur Ω deux à deux indépendantes et de même loi X, alors la suite ( 1 n X ) n N n converge en probabilité vers E (X).
Moments 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 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 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 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 détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
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 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 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 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 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 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 détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
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 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 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 détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
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 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 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 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 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 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 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 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 détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailConstruction de l'intégrale de Lebesgue
Université d'artois Faculté des ciences Jean Perrin Mesure et Intégration (Licence 3 Mathématiques-Informatique) Daniel Li Construction de l'intégrale de Lebesgue 10 février 2011 La construction de l'intégrale
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 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 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 détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailEXERCICE 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 détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
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 détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
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 détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
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 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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
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 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 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 détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
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 détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
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 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 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 détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
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 détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
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 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 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 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 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 détailÉquations non linéaires
CHAPTER 1 Équations non linéaires On considère une partie U R d et une fonction f : U R d. On cherche à résoudre { x U 1..1) f x) = R d On distinguera les cas d = 1 et d > 1. 1.1. Dichotomie d = 1) 1.1.1.
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 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 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 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 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 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 détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
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 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 détailrf( 1 f(x)x dx = O. ) U concours externe de recrutement de professeurs agreg6s composition d analyse
page 8 AGREGATIN de MATHEMATIQUES: 1991 1/5 externeanalyse concours externe de recrutement de professeurs agreg6s composition d analyse NTATINS ET DGFINITINS Dans tout le problème, R+ désigne l intervalle
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 détailCours d Analyse 3 Fonctions de plusieurs variables
Université Claude Bernard, Lyon I Licence Sciences, Technologies & Santé 43, boulevard 11 novembre 1918 Spécialité Mathématiques 69622 Villeurbanne cedex, France L. Pujo-Menjouet pujo@math.univ-lyon1.fr
Plus en détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailCNAM UE MVA 210 Ph. Durand Algèbre et analyse tensorielle Cours 4: Calcul dierentiel 2
CNAM UE MVA 210 Ph. Duran Algèbre et analyse tensorielle Cours 4: Calcul ierentiel 2 Jeui 26 octobre 2006 1 Formes iérentielles e egrés 1 Dès l'introuction es bases u calcul iérentiel, nous avons mis en
Plus en détailMESURE ET INTÉGRATION EN UNE DIMENSION. Notes de cours
MSUR T INTÉGRATION N UN DIMNSION Notes de cours André Giroux Département de Mathématiques et Statistique Université de Montréal Mai 2004 Table des matières 1 INTRODUCTION 2 1.1 xercices.............................
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 détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailIntégrale de Lebesgue
Intégrale de Lebesgue L3 Mathématiques Jean-Christophe Breton Université de Rennes 1 Septembre Décembre 2014 version du 2/12/14 Table des matières 1 Tribus (σ-algèbres) et mesures 1 1.1 Rappels ensemblistes..............................
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
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 détailNOTATIONS PRÉLIMINAIRES
Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel
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 détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
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 détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
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 détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
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 détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailProbabilités avancées. Florin Avram
Probabilités avancées Florin Avram 24 janvier 2014 Table des matières 1 Mise en scène discrète 3 1.1 Espace des épreuves/résultats possibles, événements, espace probabilisé, mesure de probabilités, variables
Plus en détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détail