FICM 2A Probabilités. TD 1. Espérance conditionnelle (corrigé)
|
|
- Yolande Tiphaine Papineau
- il y a 6 ans
- Total affichages :
Transcription
1 École des Mines de Nancy Année Denis Villemonais, FICM 2A Probabilités TD 1. Espérance conditionnelle (corrigé) Dans tous les exercices, (Ω,F,P) est un espace de probabilité sur lequel sont définies les variables aléatoires considérées. Ces variables aléatoires sont donc en particulier F -mesurables. Exercice 1. Soit B F une tribu. Soient X et Z des variables aléatoires réelles telles que X et X Z sont intégrables, avec Z B-mesurable. Montrer que E(X Z ) = E(E(X B)Z ). Solution. Nous commençons par démontrer que E( X Z ) = E(E( X B) Z ) (ceci est une conséquence du cours, mais nous le redémontrons car il est important de comprendre comment cela fonctionne). En effet, nous avons E( X Z ) = E( lim n + X Z 1 Z n) = lim n + E( X Z 1 Z n) d après le théorème de convergence monotone, puisque ( X Z 1 Z n ) est une suite positive croissante. Or E( X Z 1 Z n ) = E(E( X B) Z 1 Z n ) par définition de l espérance conditionnelle et en utilisant le fait que X est intégrable et que Z 1 Z n est B-mesurable borné. Or E( X B) Z 1 Z n est positive croissante presque sûrement vers E( X B) Z, donc, d après le théorème de convergence dominée, En définitive, lim E( ) E( X B) Z 1 Z n = E(E( X B) Z ). n + E( X Z ) = E(E( X B) Z ). (1) Nous savons que cette relation est vraie si Z est bornée et nous allons donc nous ramener à cette situation en utilisant le théorème de convergence dominée. Pour tout n N, Z 1 Z n est une variable aléatoire bornée B-mesurable. Par conséquent, d après la proposition 2.9 p 34, E(X Z 1 Z n ) = E(E(X B)Z 1 Z n ). (2) 1
2 Or p.s. X Z 1 Z n X Z n X Z 1 Z n X Z, p.s. E(X B)Z 1 Z n E(X B)Z et n E(X B)Z 1 Z n E( X B) Z, n, p.s. car Z est bornée B-mesurable. Or X Z et E( X B) Z sont des variables aléatoires intégrables (d après l égalité (1)), donc, d après le théorème de convergence dominée, E(X Z 1 Z n ) E(X Z ) et E(E(X B)Z 1 Z n) E(E(X B)Z ). n n Par passage à la limite dans (2), on en déduit que E(X Z ) = E(E(X B)Z ). Exercice 2. Soient (X,Y ) et (X,Y ) deux couples de variables aléatoires de même loi, tels que X est intégrable. 1. Soit f une fonction mesurable telle que E(X Y ) = f (Y ). Montrer que E(X Y ) = f (Y ). En particulier, cela implique que E(X Y ) et E(X Y ) ont même loi. 2. Supposons que X est symétrique, c est-à-dire que X et X ont même loi. Déterminer E(X X ). 3. Soient X 1,..., X n des variables aléatoires réelles indépendantes et de même loi. Nous supposons que X 1 est positive presque sûrement ou intégrable. Déterminer E(X 1 X X n ). Solution. 1. Pour toute variable aléatoire Z bornée et σ(y )-mesurable, il existe une fonction mesurable bornée h Z telle que Z = h Z (Y ). Ainsi, E(X Z ) = E(X h Z (Y )) = E(X h Z (Y )) car (X,Y ) et (X,Y ) ont même loi = E(f (Y )h Z (Y )) car f (Y ) = E(X Y ) = E(f (Y )h Z (Y )) car (X,Y ) et (X,Y ) ont même loi = E(f (Y )Z ). Ceci étant vrai pour toute variable aléatoire bornée Z B-mesurable, on déduit de la proposition 2.9 p. 34 que E(X Y ) = f (Y ). 2
3 2. Les variables aléatoires X et X ont même loi. Donc (X, X ) et ( X, X ) ont même loi. D après la question 1, E(X X ) = E( X X ). Or, par linéarité de l espérance conditionnelle, Par conséquent, E(X X ) + E( X X ) = E(0 X ) = 0. E(X X ) = E( X X ) = Les vecteurs aléatoires (X 1,(X 1,..., X n )),..., (X n,(x 1,..., X n )) ont même loi. Donc, d après la question 1., il existe une fonction mesurable f telle que E(X i X X n ) = f (X X n ), i {1,...,n}. Nous en déduisons que E(X 1 X X n ) = 1 n n E(X i X X n ) i=1 = 1 n E(X X n X X n ) par linéarité. Or X X n est σ(x X n )-mesurable, donc E(X 1 X X n ) = X X n. n Exercice 3. Soit X une variable aléatoire de loi uniforme sur. Posons Y = 1 X 1/2 et Y 1 = X, Y 2 = X (1/2 X ), Y 3 = 1/X et Y 4 = 1 X 1/2. Déterminer, si elles existent, E(Y 1 Y ), E(Y 2 Y ), E(Y 3 Y ) puis E(Y 4 Y ). Solution. Y est une variable aléatoire à valeur dans l ensemble fini {0, 1}, nous allons donc chercher à appliquer la propriété 2.16 p.40. 3
4 1. La variable aléatoire Y 1 est bornée, donc intégrable. Par conséquent, E(Y 1 Y ) est bien définie. De plus, Y étant à valeurs dans un espace au plus dénombrable, on a d après la proposition 2.16 p.40, E(Y 1 Y ) = E(Y 11 Y =0 ) P(Y = 0) 1 Y =0 + E(Y 11 Y =1 ) P(Y = 1) 1 Y =1. D une part, P(Y = 0) = P(Y = 1) = 1/2 car X est uniforme sur. De plus, d après le théorème du transport, E(Y 1 1 Y =1 ) = E(X 1 X 1/2 ) = x1 x 1/2 dλ 1 (x) = x dλ 1 (x) = 1 8. [0,1/2] De même, E(Y 1 1 Y =0 ) = E(X 1 X >1/2 ) = = x dλ 1 (x) ]1/2,1] x1 x>1/2 dλ 1 (x) = 3 8. En définitive, E(Y 1 Y ) = Y = Y =0. 2. La variable aléatoire Y 2 est bornée, donc intégrable. Par conséquent, E(Y 2 Y ) est bien définie. De plus, Y étant à valeurs dans un espace au plus dénombrable, on a d après la proposition 2.16 p.40, E(Y 2 Y ) = E(Y 21 Y =0 ) P(Y = 0) 1 Y =0 + E(Y 21 Y =1 ) P(Y = 1) 1 Y =1. D une part, P(Y = 0) = P(Y = 1) = 1/2 car X est uniforme sur. De plus, d après le théorème du transport, E(Y 2 1 Y =1 ) = E(X (1/2 X )1 X 1/2 ) = x(1/2 x)1 x 1/2 dλ 1 (x) x = 2 x2 dλ 1 (x) [0,1/2] = =
5 De même, E(Y 2 1 Y =0 ) = E(X (1/2 X )1 X >1/2 ) = x = 2 x2 dλ 1 (x) Finalement, ]1/2,1] = = E(Y 2 Y ) = Y = Y =0. x(1/2 x)1 x>1/2 dλ 1 (x) 3. La variable aléatoire Y 3 est positive presque sûrement. Par conséquent, E(Y 3 Y ) est bien définie. De plus, Y étant à valeurs dans un espace au plus dénombrable, on a d après la proposition 2.16 p.40, E(Y 3 Y ) = E(Y 31 Y =0 ) P(Y = 0) 1 Y =0 + E(Y 31 Y =1 ) P(Y = 1) 1 Y =1. D une part, P(Y = 0) = P(Y = 1) = 1/2 car X est uniforme sur. De plus, d après le théorème du transport, E(Y 3 1 Y =1 ) = E(1/X 1 X 1/2 ) = 1/x1 x 1/2 dλ 1 (x) = +. De même, Finalement, E(Y 3 1 Y =0 ) = E(1/X 1 X >1/2 ) = 1/x1 x>1/2 dλ 1 (x) = 1/x dλ 1 (x) = ln2. ]1/2,1] E(Y 3 Y ) = + 1 Y =1 + ln21 Y =0. 4. La variable Y 4 n est ni positive, ni intégrable E( Y 4 ) = + d après une application immédiate du théorème du transport. Par conséquent, E(Y 4 Y ) n est pas définie. 5
6 Exercice 4. Soient X et Y deux variables aléatoires réelles indépendantes. Notons F X +Y la fonction de répartition de la variable aléatoire réelle X + Y et F Y celle de la variable aléatoire réelle Y. 1. Montrer que pour tout t R, E(1 X +Y t X ) = F Y (t X ) presque sûrement. 2. Supposons que X est une variable de loi uniforme sur [0, 1]. Montrer que t R, F X +Y (t) = 1 0 F Y (t u)du. Solution. 1. Les variables aléatoires X et Y étant supposées indépendantes, nous allons chercher à appliquer la proposition 2.30 p.51, avec h(x, y) = 1 x+y t. Remarquons que h est bornée, donc h(x,y ) est intégrable. Nous avons donc E(1 X +Y t X ) = g (X ), avec g (x) = E(h(x,Y )) = h(x, y)dp Y (y) = 1 x+y t dp Y (y) R R = P Y (], t x]) = F Y (t x), par définition de la fonction F Y. En définitive, 2. Nous avons E(1 X +Y t X ) = F Y (t X ). F X +Y (t) = E(1 X +Y t ) = E(E(1 X +Y t X )) = E(F Y (t X )), donc, d après le théorème du transport, F X +Y (t) = F Y (t x)dλ 1 (x). Exercice 5 (DM1). Soit (X,Y, Z ) un vecteur gaussien centré de matrice de covariance M =
7 1. Déterminer E(X Y, Z ). 2. Déterminer E(X 2Y + Z ). 3. Déterminer E(X X + Y,Y Z ). Solution. 1. La matrice de covariance du vecteur gaussien (Y, Z ) est Γ (Y,Z ) = ( ) 2 1, avec (Γ 1 2 (Y,Z ) ) 1 = 1 3 ( 2 ) et la matrice de covariance de X est Γ X = (2). Par conséquent, (X,Y, Z ) étant un vecteur gaussien et Γ (Y,Z ) ) étant inversible, on a d après la proposition 2.38 p.53, (( ) ( )) E(X Y, Z ) = E(X ) + (Γ X,(Y,Z ) (Γ (Y,Z ) ) 1 Y Y ) E, Z Z avec Γ X,(Y,Z ) = ( 1,1). Étant donné que le vecteur (X,Y, Z ), est centré, nous en déduisons que En définitive, nous obtenons E(X Y, Z ) = 1 ( ) ( ) 2 1 Y 3 ( 1,1). 1 2 Z E(X Y, Z ) = Y + Z. 2. Le vecteur aléatoire (U,V ) = (X,2Y + Z ) est un vecteur gaussien centré, en tant que transformation linéaire du vecteur gaussien centré (X,Y, Z ). De plus, sa matrice de covariance est donnée par Γ (U,V ) = ( ) M = 0 1 Nous déduisons donc de la proposition 2.37 que soit ( ) E(X 2Y + Z ) = E(U V ) = 1 14 V, E(X 2Y + Z ) = 2Y + Z 14. 7
8 3. Le vecteur aléatoire (U,V,W ) = (X, X +Y,Y Z ) est un vecteur gaussien centré, en tant que transformation linéaire du vecteur gaussien centré (X,Y, Z ). De plus, sa matrice de covariance est donnée par Γ (U,V,W ) = M = Ainsi, la matrice de covariance de (V,W ) est Γ (V,W ) = ( 2 ) avec (Γ (V,W ) ) 1 = 1 3 ( ) et la matrice de covariance de U est Γ U = (2). Par conséquent, d après la proposition 2.38 p.53, (( ) ( )) E(U V,W ) = E(U ) + (Γ U,(V,W ) (Γ (V,W ) ) 1 V V ) E, W W avec Γ U,(V,W ) = (1, 2). Étant donné que le vecteur (U,V,W ) est centré, nous en déduisons que En définitive, E(U V,W ) = 1 ( )( ) 2 1 V 3 (1, 2) = W. 1 2 W E(X X + Y,Y Z ) = Y + Z Exercice 6 (DM1). Soient X L 2 (Ω,F,P) et B F une tribu sur Ω. On appelle variance conditionnellement à B la variable aléatoire Var(X B) = E ( (X E(X B)) 2 B ) 1. Supposons que E(X 2 ) = E(E(X B) 2 ). Montrer que X est B mesurable. 2. Montrer que, presque sûrement, Var(X B) = E(X 2 B) E(X B) 2. 8
9 3. Montrer que et en déduire que Var X = E(Var(X B)) + Var(E(X B)) Var(E(X B)) Var X. 4. Rappelons que si A F, P(A B) = E(1 A B). Montrer que pour tout ε > 0, presque sûrement P( X E(X B) ε B) Var(X B) ε 2. Solution. Remarquons dès à présent que X L 2, donc E(X B) L 2, ce qui justifie l existence des espérances dans la suite de l exercice. 1. D après le théorème de Pythagore (applicable car X L 2 ), nous avons E(X 2 ) = E(E(X B) 2 ) + E((X E(X B)) 2 ). Par conséquent, sous l hypothèse E(X 2 ) = E(E(X B) 2 ), nous obtenons E((X E(X B)) 2 ) = 0. Or la variable aléatoire (X E(X B)) 2 est positive presque sûrement, donc (X E(X B)) 2 = 0 presque sûrement. En définitive, En particulier, X est B-mesurable. X = E(X B) p.s. Remarque 1. En fait, nous pouvons en déduire que X est B-mesurable si et seulement si B est complète, au sens où elle contient tous les ensembles négligeables de F. C est une hypothèse que nous faisons donc implicitement ici. 2. Nous avons Var(X B) = E(X 2 2X E(X B) + E(X B) 2 B) = E(X 2 B) 2E(X E(X B) B) + E(E(X B) 2 B) par linéarité de l intégrale conditionnelle. De plus, les variables aléatoires E(X B) et E(X B) 2 étant B-mesurables, En définitive, Var(X B) = E(X 2 B) 2E(X B)E(X B) + E(X B) 2. Var(X B) = E(X 2 B) E(X B) 2. 9
10 3. Nous avons E(Var(X B)) + Var(E(X B)) = E ( E(X 2 B) E(X B) 2) + E ( E(X B) 2) E(E(X B)) 2 En définitive, = E ( E(X 2 B) ) E(E(X B)) 2 = E(X 2 ) E(X ) 2. Var(X ) = E(Var(X B)) + Var(E(X B)). La variance conditionnelle étant positive presque sûrement par définition, nous en déduisons que Var(E(X B)) Var(X ). 4. Nous avons (en utilisant notamment la croissance de l espérance conditionnelle) Soit P( X E(X B) ε B) = E ( 1 X E(X B) ε B ) X E(X B) E (1 2 X E(X B) ε ε 2 ( X E(X B) 2 ) E ε 2 B. P( X E(X B) ε B) Var(X B) ε 2. ) B 10
3. 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 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 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 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 détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en 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 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 détailCHAPITRE 10. Jacobien, changement de coordonnées.
CHAPITRE 10 Jacobien, changement de coordonnées ans ce chapitre, nous allons premièrement rappeler la définition du déterminant d une matrice Nous nous limiterons au cas des matrices d ordre 2 2et3 3,
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 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 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 détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
Plus en 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 détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
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 détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en 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 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 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 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 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 détailIntégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :
Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +
Plus en 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 détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
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 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 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 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 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 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 détailProduits d espaces mesurés
Chapitre 7 Produits d espaces mesurés 7.1 Motivation Au chapitre 2, on a introduit la mesure de Lebesgue sur la tribu des boréliens de R (notée B(R)), ce qui nous a permis d exprimer la notion de longueur
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 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 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 détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en 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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en 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 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 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 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 détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en 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 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 détailPRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.
PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.. Donner les erreurs en position, en vitesse et en accélération d un système de transfert F BO = N(p) D(p) (transfert en boucle ouverte) bouclé par retour
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
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 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 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 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 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 détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en 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 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 détailExercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point (x 0,y 0,z 0 ) donné :
Enoncés : Stephan de Bièvre Corrections : Johannes Huebschmann Exo7 Plans tangents à un graphe, différentiabilité Exercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point
Plus en détailRelation d ordre. Manipulation des relations d ordre. Lycée Pierre de Fermat 2012/2013 Feuille d exercices
Lycée Pierre de Fermat 2012/2013 MPSI 1 Feuille d exercices Manipulation des relations d ordre. Relation d ordre Exercice 1. Soit E un ensemble fixé contenant au moins deux éléments. On considère la relation
Plus en détailEnoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé.
Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé. I- ACTIVITES NUMERIQUES (12 points) Exercice 1 (3 points) On considère
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 détailCalcul Différentiel. I Fonctions différentiables 3
Université de la Méditerranée Faculté des Sciences de Luminy Licence de Mathématiques, Semestre 5, année 2008-2009 Calcul Différentiel Support du cours de Glenn Merlet 1, version du 6 octobre 2008. Remarques
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en 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 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 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 détail6 Equations du première ordre
6 Equations u première orre 6.1 Equations linéaires Consiérons l équation a k (x) k u = b(x), (6.1) où a 1,...,a n,b sont es fonctions continûment ifférentiables sur R. Soit D un ouvert e R et u : D R
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 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 détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
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 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 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 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 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 détailChapitre VI Fonctions de plusieurs variables
Chapitre VI Fonctions de plusieurs variables 6. 1 Fonctions différentiables de R 2 dans R. 6. 1. 1 Définition de la différentiabilité Nous introduisons la différentiabilité sous l angle des développements
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
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 détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
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 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 détailCorrection du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
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 détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailSimulation : application au système bonus-malus en responsabilité civile automobile
Simulation : application au système bonus-malus en responsabilité civile automobile Robert Langmeier Travail de séminaire réalisé sous la supervision du professeur François Dufresne Ecole des HEC Université
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 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 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 détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailFonctions de plusieurs variables et applications pour l ingénieur
Service Commun de Formation Continue Année Universitaire 2006-2007 Fonctions de plusieurs variables et applications pour l ingénieur Polycopié de cours Rédigé par Yannick Privat Bureau 321 - Institut Élie
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 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 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 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 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 détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailC algèbre d un certain groupe de Lie nilpotent.
Université Paul Verlaine - METZ LMAM 6 décembre 2011 1 2 3 4 Les transformations de Fourier. Le C algèbre de G/ Z. Le C algèbre du sous-groupe G 5 / vect{u,v }. Conclusion. G un groupe de Lie, Ĝ l ensemble
Plus en détail