Compléments autour de la notion d indépendance
|
|
- Isabelle Latour
- il y a 6 ans
- Total affichages :
Transcription
1 Compléments autour de la notion d indépendance 1 Tribus engendrées Soit Ω un ensemble. On note P(Ω) l ensemble des parties de Ω. Une tribu T est un sous-ensemble de P(Ω) contenant l ensemble vide, stable par réunion et intersection dénombrable et par passage au complémentaire. Étant données deux tribus T 1 et T 2, on vérifie aisément que leur intersection T 1 T 2 est également une tribu. Cette tribu est constituée de toutes les parties de T 1 qui sont également dans T 2. De manière générale, l intersection d une famille quelconque de tribu (T i ) i I est une tribu. Étant donné P un sous ensemble quelconque de P(Ω) (c est à dire que les éléments de P sont des parties de Ω) on note σ(p ) l intersection de toutes les tribus qui contiennent P : σ(p ) := T. Par définition σ(p ) est la plus petite tribu contenant P, en particulier P σ(p ). Si P = {A j } on note aussi σ(a j, j J ) pour σ(p ). Ainsi si A est une partie de Ω, on note σ(a) pour σ({a}) et on a 1 σ(a) = {, Ω, A, A c }. P T La réunion T 1 T 2 de deux tribus n est pas, en général, une tribu. Ces éléments sont les parties de Ω qui sont soit dans T 1 soit dans T 2. On note T 1 T 2 := σ(t 1 T 2 ) la tribu engendrée par T 1 T 2. On dit aussi que T 1 T 2 est la tribu engendrée par T 1 et T 2. Notons que le "et" peut sembler trompeur car il s agit en fait de la réunion et non de l intersection de T 1 et T 2. De manière générale, la tribu engendrée par une famille quelconque (T ) i I de tribus est la tribu engendrée par la réunion des T i : ( ) T i := σ T i. i I Soit X : Ω E une application et T une tribu sur E. Le sous ensemble de P(Ω) formé des images réciproques d éléments de T par X est une tribu 2 sur Ω. On la note σ(x) et on a ainsi par définition i I σ(x) := { X 1 (A), A T }. On dit aussi que σ(x) est la tribu engendrée par l application X. C est aussi 3 la tribu sur Ω la plus petite qui rende l application X mesurable. Notons que si X est une application mesurable de (Ω, F) dans (E, T ) alors σ(x) est une sous-tribu de F. Exemple 1. Soit A F une partie mesurable de (Ω, F) ; on note 1 A l application indicatrice de A définie sur Ω et à valeurs 4 dans {0, 1} telle que 1 A (ω) = 1 si ω A et 1 A (ω) = 0 sinon. Cette application est mesurable lorsque {0, 1} est muni de la tribu P({0, 1}). Et on vérifie que σ(1 A ) = σ(a) = {, Ω, A, A c }. Ainsi la tribu engendrée par 1 A coïncide avec la tribu engendrée par A. 1. vérifier le. 2. vérifier le aussi. 3. c est évident non? 4. Comme il est souvent utile de considérer des limites de combinaisons linéaires de fonction indicatrices il est en fait plus judicieux de les définir à valeurs dans R muni de la tribu Borélienne (qui lorsqu elle est restreinte à {0, 1} redonne P({0, 1})). 1
2 Si on considère deux applications X : Ω (E, T ) et Y : Ω (E, T ) à valeurs dans des espaces mesurables (qui peuvent être distincts) on note σ(x, Y ) la tribu engendrée par σ(x) et σ(y ). Ainsi par définition σ(x, Y ) := σ(x) σ(y ) = σ (σ(x) σ(y )). On peut vérifier également que c est la la plus petite tribu sur Ω qui rend les applications X et Y mesurables. L ensemble produit E E est muni d une tribu naturelle appelée tribu produit et notée T T qui est par définition la tribu engendrée par les applications coordonnées p : E E E et p : E E E : T T := σ(p, p ). La tribu σ((x, Y )) engendrée par l application produit (X, Y ) : Ω (E E, T T ) coïncide ainsi 5 avec la tribu σ(x, Y ). De manière générale, étant donnée une famille quelconque d applications (X i ) i I définies sur un même espace Ω et chacune à valeurs dans un espace mesurable (E i, T i ) (les E i peuvent être distincts), on note σ(x i, i I) la tribu engendrée par la famille (σ(x i )) i I : σ(x i, i I) := i I σ(x i ). On dit aussi que σ(x i, i I) est la tribu engendrée par les applications (X i ) i I. C est naturellement la plus petite tribu sur Ω pour laquelle toutes les application X i sont mesurables. C est aussi la tribu engendrée par l application produit (X i ) i I : Ω ( i I E i, i I T i ) ; ainsi : 2 Indépendance σ(x i, i I) = σ((x i ) i I ). La notion d indépendance est une notion relative à une probabilité sur un ensemble mesurable. Fixons-nous donc (Ω, F, P) un espace de probabilité. On dit que deux évènements A, B F sont indépendants lorsque P(A B) = P(A)P(B). Cela signifie qu en cas d indépendance, et lorsque P(A) est non nulle, la probabilité conditionnelle de B sachant A est égale à la probabilité de B : P(B A) = P(B). Lorsque A et B sont indépendants on a en fait un peu plus d information que cela puisqu il est aisé de vérifier que nécessairement A est aussi indépendant de B c et que A c est indépendant de B. En fait n importe quel évènement de σ(a) est indépendant de n importe quel évènement de σ(b). Cela suggère la définition suivante de l indépendance entre deux tribus. Définition 1. Deux sous-tribus T et T de F sont indépendantes si tout évènement A T est indépendant de tout évènement B T. C est à dire : A T, B T, P(A B) = P(A)P(B). 5. vérifier le également. 2
3 On dit qu une famille quelconque (A i ) i I d évènements est une famille d évènements indépendants lorsque pour toute sous-famille finie J I on a P = P(A j ). A j Encore une fois, on peut vérifier 6 que lorsque les (A i ) sont indépendants on a en fait un peu plus. En effet pour toute sous-famille finie J I et n importe quel évènement C j σ(a j ) 7 on a P = P(C j ). Cela suggère la définition suivante d une famille de tribus indépendantes. C j Définition 2. Soit (T i ) i I une famille quelconque de tribus. On dit que ces tribus sont indépendantes lorsque pour toute sous-famille finie J I et tout évènement C j T j on a P = P(C j ). C j Reformulée différemment la définition affirme que (T i ) i I est une famille de tribu indépendantes si et seulement si toutes les familles (C i ) i I, où C i T i sont des familles d évènements indépendants. La remarque précédant la définition indique simplement que les évènements (A i ) i I sont indépendants si et seulement si les tribus engendrées (σ(a i )) i I sont indépendantes. Considérons maintenant une famille quelconque de variables aléatoires (X i ) i I à valeurs dans des espaces mesurables (E i, T i ), i I : X i : (Ω, F) (E i, T i ). Par définition, les variables aléatoires X i sont indépendantes si pour toute famille finie J tout C j T j (j J ) on a P {X j C j } = P(X j C j ). I et On vérifie donc immédiatement que les variables aléatoires X i sont indépendantes si et seulement si les tribus σ(x i ) sont indépendantes. Ainsi pour résumé, derrière la notion d indépendance d évènements et de variables aléatoires il y a la notion plus générale d indépendance de tribus. Ce qui est agréable avec l indépendance c est que c est une notion qui se "regroupe". On a en effet la proposition importante suivante qui découle du théorème de classe monotone. Proposition 1 (Regroupement). Soit (T i ) i I une famille de tribus indépendantes et (I k ) k K une partition 8 de I, alors ( i Ik T i ) k K est une famille de tribus indépendantes. 6. le faire. 7. ainsi C j est soit A j soit A c j soit Ω ou encore. 8. c est à dire qu on a la réunion disjointe suivante I = k K I k 3
4 Une conséquence de ce résultat est par exemple que si (X, Y, Z) sont trois variables aléatoires réelles indépendantes alors en particulier X est indépendante du couple (Y, Z). Plus généralement, on a aussi que si (X n : Ω E n ) n N est une suite de variables aléatoires indépendantes alors, pour toute partition (I k ) k K de N, ((X n ) n Ik, k K) est une famille (indexée par K) de variables aléatoires 9 indépendantes. Autrement dit on a l indépendance de tout les paquets disjoints que l on peut faire avec les (X n ) n N. De même, si (A n ) n N est une suite d évènements indépendants alors pour toute partition (I k ) k K de N, la famille (σ(a n, n I k )) k K est une famille de tribus indépendantes. 3 Retour à l exercice 2 de la feuille N 2 Soit (X n ) n N une suite de variable de Bernoulli de paramètre p ]0, 1[, indépendantes définies sur un espace de probabilité (Ω, F, P). On définit les évènements A n pour n 2 par A n = {ω Ω, X n (ω) X n 1 (ω)} = {X n X n 1 }. Remarquons que par définition A n σ(x n 1, X n ) On a alors, en décomposant selon les différentes valeurs que peut prendre X n 10 : P(A n A n+1 ) = P({X n X n1 } {X n+1 X n } {X n = 0}) + P({X n X n1 } {X n+1 X n } {X n = 1}) = P({X n = 0} {X n+1 = 1} {X n 1 = 1}) + P({X n = 1} {X n+1 = 0} {X n 1 = 0}) = (1 p)p 2 + p(1 p) 2 (par independance). D autre part puisque le couple (X n 1, X n ) à même loi que le couple (X n, X n+1 ) (cela découle du fait que les (X n ) n N sont indépendantes et identiquement distribuées) alors les évènements A n et A n+1 ont la même probabilité. On a ainsi en décomposant selon les valeurs que peut prendre X n Donc on obtient, P(A n )P(A n+1 ) = P(A n ) 2 = (P({X n = 1} {X n 1 = 0}) + P({X n = 0} {X n 1 = 1})) 2 = (2p(p 1)) 2 (par independance). P(A n A n+1 ) = P(A n )P(A n+1 ) (1 p)p 2 + p(1 p) 2 = (2p(p 1)) 2 p + 1 p = 4p(1 p) p = 1/2. Maintenant si n 1 < n 2 sont deux entiers 2 non consécutifs alors n 2 1 est différent de n 1 et donc, par la proposition de regroupement, les couples (X n1 1, X n1 ) et (X n2 1, X n2 ) sont indépendants. Puisque A n1 σ(x n1 1, X n1 ) et A n2 σ(x n2 1, X n2 ) il en découle que A n1 et A n2 sont indépendants 11. On déduit donc de ce qui précède que les évènements A n sont indépendants deux à deux si et seulement si p = 1/2. Maintenant si les A n sont indépendants (sous-entendus "dans leur ensemble") alors en particulier il s le sont deux à deux. Donc nécessairement p = 1/2. 9. chacune à valeurs dans un n I k E n. 10. Ω = {X n = 1} {X n = 0} 11. ici c est vrai pour n importe quel p. 4
5 Réciproquement, si p = 1/2 montrons que (A n ) n 2 est une famille d évènements indépendants. Nous proposons deux méthodes. 1ère méthode. Soit J une partie finie de N \ {0, 1}. Nous devons montrer que ( ) P A i = P(A i ). i J i J Considérons la plus petite 12 partition (J i ) i=1...n de J dont chaque partie J i est constituée d entiers consécutifs. On suppose que cette partition est indexée de sorte que les entiers de J i 1 sont plus petits que ceux de J i. Ainsi, pour i = 2,..., N on a que 13 min(j i ) n est pas consécutif à max(j i 1 ). Cela veut dire que min(j i ) 1 max(j i 1 ) et puisque n Ji A n σ(x min(ji ) 1, X n, n J i ) on a donc que la famille ( n Ji A n ) i=1,...,n est une famille d évènements indépendants. Donc ( ) N P A i = P. i J i=1 n J i A n Il ne reste donc plus qu à vérifier que pour une suite finie d entiers consécutifs, {n + 1,..., n + m} on a bien ( m ) m P A n+k = P(A n+k ). C est à dire a-t-on, puisque p = 1/2 et donc que P(A n+k ) = 1/2 : ( m ) ( )? 1 m P A n+k =. 2 En décomposant suivant les valeurs de X n et en utilisant l indépendance il vient ( m ) ( m { { } ) ( 0 si k pair m { { } ) 1 si kpair P A n+k = P X n+k = + P X 1 sinon n+k = 0 sinon k=0 k=0 ( ) 1 m+1 ( ) 1 m+1 ( ) 1 m = + = ème méthode. On veut donc montrer que pour toute suite d entiers 1 n 1 < n 2 <... < n k, P(A n1 A nk ) = ( ) 1 k. 2 On le montre par récurrence sur k. Si k = 1, l identité est triviale car P(A n ) = 1/2 pour tout n. Supposons que l identité est vraie au rang k. Montrons qu elle est vraie au rang k + 1. On a P(A n1... A nk+1 ) = P(A n1... A nk {X nk+1 X nk+1 +1}) (1) = P(A n1... A nk {X nk+1 = 0} {X nk+1 +1 = 1}) + P(A n1... A nk {X nk+1 = 1} {X nk+1 +1 = 0}). Comme la suite (X l ) l 1 est indépendante, on a en particulier (par regroupement) que la tribu σ(x 1,..., X nk+1 ) et la tribu σ(x nk+1 +1) sont indépendantes (Ceci veut donc dire que tout évènement de la tribu σ(x 1,..., X nk+1 ) et tout évènement de la tribu σ(x nk+1 +1) sont indépendants). Or 12. c est dire que N est minimal 13. pourquoi? 5
6 l évènement A n1... A nk {X nk+1 = 0} appartient à σ(x 1,..., X nk+1 ) tandis que {X nk+1 +1 = 1} σ(x nk+1 +1). Ainsi P(A n1... A nk {X nk+1 = 0} {X nk+1 +1 = 1}) = P(A n1... A nk {X nk+1 = 0})P(X nk+1 +1 = 1) De même, = P(A n1... A nk {X nk+1 = 0}) 1 2. P(A n1... A nk {X nk+1 = 1} {X nk+1 +1 = 0}) = P(A n1... A nk {X nk+1 = 1})P(X nk+1 +1 = 0) Donc, en revenant à (1), on obtient = P(A n1... A nk {X nk+1 = 1}) 1 2. P(A n1... A nk+1 ) = ( P(A n1... A nk {X nk+1 = 0}) + P(A n1... A nk {X nk+1 = 1}) ) 1 2. On remarque que P(A n1... A nk {X nk+1 = 0}) + P(A n1... A nk {X nk+1 = 1}) = P(A n1... A nk ). Donc, P(A n1... A nk+1 ) = P(A n1... A nk ) 1 2. Il suffit d appliquer l hypothèse de récurrence pour terminer la récurrence. 6
Espérance 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. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
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 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 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 détailCalculs de probabilités
Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile
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 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 détailIndépendance Probabilité conditionnelle. Chapitre 3 Événements indépendants et Probabilités conditionnelles
Chapitre 3 Événements indépendants et Probabilités conditionnelles Indépendance Indépendance Probabilité conditionnelle Definition Deux événements A et B sont dits indépendants si P(A B) = P(A).P(B) Attention
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
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 détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailLe produit semi-direct
Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.
Plus en détailIntégration sur des espaces produits
Chapitre 5 Intégration sur des espaces produits 5.1 Produit de deux mesures Étant donnés deux espaces mesurés (Ω 1, F 1, µ 1 ) et (Ω 2, F 1, µ 2 ), le but de cette section est de construire une mesure
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailProposition. Si G est un groupe simple d ordre 60 alors G est isomorphe à A 5.
DÉVELOPPEMENT 32 A 5 EST LE SEUL GROUPE SIMPLE D ORDRE 60 Proposition. Si G est un groupe simple d ordre 60 alors G est isomorphe à A 5. Démonstration. On considère un groupe G d ordre 60 = 2 2 3 5 et
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 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 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 détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
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 détailCours de Probabilités et de Statistique
Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles
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 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 détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailThéorie de la Mesure et Intégration
Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 & UE LM365 Intégration 2 Année 2010 11 Théorie de la Mesure et Intégration Responsable des cours : Amaury LAMBERT
Plus en détailThéorie de la mesure. S. Nicolay
Théorie de la mesure S. Nicolay Année académique 2011 2012 ii Table des matières Introduction v 1 Mesures 1 1.1 Sigma-algèbres................................. 1 1.2 Mesures.....................................
Plus en détailProblèmes de Mathématiques Filtres et ultrafiltres
Énoncé Soit E un ensemble non vide. On dit qu un sous-ensemble F de P(E) est un filtre sur E si (P 0 ) F. (P 1 ) (X, Y ) F 2, X Y F. (P 2 ) X F, Y P(E) : X Y Y F. (P 3 ) / F. Première Partie 1. Que dire
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 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 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 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 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 détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
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 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 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 détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailP1 : Corrigés des exercices
P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à
Plus en détail1 Définition et premières propriétés des congruences
Université Paris 13, Institut Galilée Département de Mathématiques Licence 2ème année Informatique 2013-2014 Cours de Mathématiques pour l Informatique Des nombres aux structures Sylviane R. Schwer Leçon
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 détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
Plus en détailMesures et Intégration
Mesures et Intégration Marc Troyanov - EPFL - Octobre 2005 30 avril 2008 Ce document contient les notes du cours de Mesure et Intégration enseigné à l EPFL par Marc Troyanov, version 2005-2006. Table des
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailCALCUL DES PROBABILITES
CALCUL DES PROBABILITES Exemple On lance une pièce de monnaie une fois. Ensemble des événements élémentaires: E = pile, face. La chance pour obtenir pile vaut 50 %, pour obtenir face vaut aussi 50 %. Les
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 détail1.1 Codage de source et test d hypothèse
Théorie de l information et codage 200/20 Cours 8février20 Enseignant: Marc Lelarge Scribe: Marc Lelarge Pour information Page webdu cours http://www.di.ens.fr/~lelarge/info.html Notations Pour des variables
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailCours de mathématiques
DEUG MIAS premier niveau Cours de mathématiques année 2003/2004 Guillaume Legendre (version révisée du 3 avril 2015) Table des matières 1 Éléments de logique 1 1.1 Assertions...............................................
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
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 détailGroupe symétrique. Chapitre II. 1 Définitions et généralités
Chapitre II Groupe symétrique 1 Définitions et généralités Définition. Soient n et X l ensemble 1,..., n. On appelle permutation de X toute application bijective f : X X. On note S n l ensemble des permutations
Plus en détailMARTINGALES POUR LA FINANCE
MARTINGALES POUR LA FINANCE une introduction aux mathématiques financières Christophe Giraud Cours et Exercices corrigés. Table des matières I Le Cours 7 0 Introduction 8 0.1 Les produits dérivés...............................
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailExemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4
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 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 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 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 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 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 détail9 5 2 5 Espaces probabilisés
BCPST2 9 5 2 5 Espaces probabilisés I Mise en place du cadre A) Tribu Soit Ω un ensemble. On dit qu'un sous ensemble T de P(Ω) est une tribu si et seulement si : Ω T. T est stable par complémentaire, c'est-à-dire
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
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 détailUn K-espace vectoriel est un ensemble non vide E muni : d une loi de composition interne, c est-à-dire d une application de E E dans E : E E E
Exo7 Espaces vectoriels Vidéo partie 1. Espace vectoriel (début Vidéo partie 2. Espace vectoriel (fin Vidéo partie 3. Sous-espace vectoriel (début Vidéo partie 4. Sous-espace vectoriel (milieu Vidéo partie
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 détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
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 détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailINF 232: Langages et Automates. Travaux Dirigés. Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies
INF 232: Langages et Automates Travaux Dirigés Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies Année Académique 2013-2014 Année Académique 2013-2014 UNIVERSITÉ JOSEPH
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailAnalyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe
Analyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe des n n groupes quantiques compacts qui ont la théorie
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailPLAN NOTATIONS UTILISÉES
PLAN COURS 3 AGRÉGATION ORDINALE Master IAD DMDC PATRICE PERNY LIP6 Université Paris 6 1 2 2/29 NOTATIONS UTILISÉES I) O A : ordres complets sur A P A : Préordres sur A (complets ou partiels) PC A : Préordres
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 détail108y= 1 où x et y sont des entiers
Polynésie Juin 202 Série S Exercice Partie A On considère l équation ( ) relatifs E :x y= où x et y sont des entiers Vérifier que le couple ( ;3 ) est solution de cette équation 2 Déterminer l ensemble
Plus en détailMesure et Intégration (Notes de cours de L3)
Mesure et Intégration (Notes de cours de L3) Ahmed Zeriahi Version préliminaire-octobre 2011 Avertissement : Ceci est une version préliminaire des notes du cours que l auteur a dispensé en troisème année
Plus en détailchapitre 4 Nombres de Catalan
chapitre 4 Nombres de Catalan I Dénitions Dénition 1 La suite de Catalan (C n ) n est la suite dénie par C 0 = 1 et, pour tout n N, C n+1 = C k C n k. Exemple 2 On trouve rapidement C 0 = 1, C 1 = 1, C
Plus en détailIntroduction à la théorie des graphes. Solutions des exercices
CAHIERS DE LA CRM Introduction à la théorie des graphes Solutions des exercices Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE 1 Graphes non orientés Exercice 1 On obtient le graphe biparti
Plus en détailIntroduction au Calcul des Probabilités
Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Introduction au Calcul des Probabilités Probabilités à Bac+2 et plus
Plus en détailCHAPITRE IV Oscillations libres des systèmes à plusieurs degrés de liberté
CHAPITE IV Oscillations ibres des Systèmes à plusieurs derés de liberté 010-011 CHAPITE IV Oscillations libres des systèmes à plusieurs derés de liberté Introduction : Dans ce chapitre, nous examinons
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 détailExtrait du poly de Stage de Grésillon 1, août 2010
MINI-COURS SUR LES POLYNÔMES À UNE VARIABLE Extrait du poly de Stage de Grésillon 1, août 2010 Table des matières I Opérations sur les polynômes 3 II Division euclidienne et racines 5 1 Division euclidienne
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 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 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 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 détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
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 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 détailTIQUE DE FRANCE NILSYSTÈMES D ORDRE 2 ET PARALLÉLÉPIPÈDES
Bulletin de la SOCIÉTÉ MATHÉMATIQUE DE FRANCE NILSYSTÈMES D ORDRE 2 ET PARALLÉLÉPIPÈDES Bernard Host & Alejandro Maass Tome 135 Fascicule 3 2007 SOCIÉTÉ MATHÉMATIQUE DE FRANCE Publié avec le concours du
Plus en détailObjets Combinatoires élementaires
Objets Combinatoires élementaires 0-0 Permutations Arrangements Permutations pour un multi-ensemble mots sous-ensemble à k éléments (Problème du choix) Compositions LE2I 04 1 Permutations Supposons que
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détail