Couplage et Chaînes de Markov
|
|
- Aimé Pierre
- il y a 6 ans
- Total affichages :
Transcription
1 chaînes de Markov Francis Comets Université Paris 7 Denis Diderot Notes de cours M2 2 novembre 2007 Chapitre 6 Couplage et Chaînes de Markov Cadre : Q matrice stochastique sur un espace discret E. Couplage DÉFINITION. Un couplage de deux variables aléatoires X, Y est un couple ( X, Ȳ ) loi défini sur un espace de probabilité (Ω, A,P) avec X = X, Ȳ = loi Y. Ainsi, un couplage de deux variables aléatoires est une réalisation de ces variables sur un même espace. La dépendance entre les deux variables aléatoires permettra par exemple de les comparer. EXEMPLE. Soit X Bernoulli(p), Y Bernoulli(p ), 0 p p. Alors, X = U p}, Ȳ = U p } est un couplage de X et Y sur l espace (Ω, A,P) où la variable uniforme U est définie. On a X Ȳ p.s. Soit Q est une matrice stochastique sur E ; il y a plusieurs manières de coupler les chaînes de Markov (X a n) n et (X b n) n issues de deux conditions initiales distinctes a, b E. Fixons une représentation de la chaîne comme suite récurrente aléatoire, i.e. fixons F : E [0, [ E telle que X n+ = F(X n, U n ) soit une chaîne de transition Q ((U n ) n est i.i.d. uniforme sur [0, [). Voila des exemples importants de couplages ((X n ) n, (Y n ) n ) de (X a n ) n, (X b n ) n (avec toujours X 0 = a, Y 0 = b) :. Couplage libre : X n+ = F(X n, U n ), Y n+ = F(Y n, U n ) On utilise le même U, comme dans l exemple. 2. Couplage antithétique : X n+ = F(X n, U n ), Y n+ = F(Y n, U n ) Utilisé dans les méthodes de réduction de la variance.
2 chaînes de Markov 2 3. Couplage indépendant : Avec (U n ) n et (U n ) n deux suites i.i.d. uniformes et indépendantes entre elles, X n+ = F(X n, U n ), Y n+ = F(Y n, U n) Les deux chaînes sont indépendantes. 4. Couplage indépendant-coalescent (Doeblin 938) : On définit Un si X V n = n = Y n si X n Y n et U n X n+ = F(X n, U n ), Y n+ = F(Y n, V n ) On va voir que la suite (V n ) est i.i.d. uniforme. On a donc bien un couplage, mais ici X n et Y n évoluent indépendamment jusqu à ce qu ils se rencontrent, pour rester ensuite toujours ensemble. Pour montrer que la suite (V n ) définie plus haut est i.i.d. uniforme, il suffit de montrer que la loi de V n sachant V 0,...V n est uniforme sur [0, [. En fait on va considérer plus generalement, avec la notation u k l = (u l,...u k ) pour 0 l k, P(V n < u U0 n, U0 n P(Un < u U0 n, U n } 0 ) sur X ) = n = Y n } P(U n < u U0 n, U n = u ) sur X n Y n } 0 2 Temps de couplage On considère un couplage de X a n et X b n, que l on notera (X a n, X b n) sans les pour simplifier les notations. DÉFINITION 2. Le temps de rencontre du couplage (X a n, Xb n ) est τ ab = infn 0; X a n = Xb n } Il dépend du couplage choisi : EXEMPLE 2. Considérons la promenade aléatoire simple sur Z partant de a = 0 et b = 2. Pour le couplage libre, τ ab = p.s., tandis que pour le couplage indépendant, τ ab < est la moitié du temps de premier passage en 2 pour une promenade aléatoire simple. Attention, il se peut qu il n existe pas de couplage avec τ ab < p.s.
3 chaînes de Markov 3 EXEMPLE 2.2 (Chaine de Wright-Fisher) : E = 0,,..., m}, et Q(x, ) = B(m, x/m). Dans ce cas, les états 0 et m sont absorbants, et la propriété P(X a absorbé en m) = a m P(Xb absorbé en m), a b, a, b E entraine que P(τ ab = ) P(X a, X b absorbés en des points différents) P(X a absorbé en m) P(X b absorbé en m) > 0 si a b. Vu l exemple 4 ci-dessus, on pourra se limiter à des couplages particuliers : Un couplage est dit coalescent si n τ ab = X a n = Xb n et alors on appelle plutôt τ ab le temps de couplage. On voit que les couplages libre et indépendant-coalescent sont des couplages coalescents. Il y a un lien avec la distance en variation entre les lois des deux chaînes de Markov. Rappelons quelques définitions et formules. Soient µ, ν P(E). La distance en variation entre ces lois est µ ν var := µ(x) ν(x) 2 2 µ ν l (E) x = 2 sup f(x)µ(x) x x = sup µ(a) ν(a) ; A E} f(x)ν(x) ; f : E R, f } (le premier sup est atteint pour f(x) = signe(µ(x) ν(x)), le deuxième pour A = x : µ(x) > ν(x)}). Un point important est qu il s agit d une norme sur l espace des mesures finies sur E : cette distance est égale à la moitié de la norme de la variation totale de la mesure µ nu (i.e., de la norme dans l (E) du vecteur µ nu). En particulier, 0 µ ν var. PROPOSITION 2. (Inégalité du couplage). Avec µ a n la loi de X a n, on a pour tout couplage coalescent τ ab. µ a n µ b n var P(τ ab > n)
4 chaînes de Markov 4 On utilise la deuxième formule : l intéret de disposer d un couplage est de pouvoir mettre la différence d espérances sous le même signe espérance, f(x)µ a n (x) f(x)µ b n (x) = Ef(Xa n ) Ef(Xb n )] x x = E[f(Xn a ) f(xb n )] = E[(f(X a n ) f(xb n ))(τab n} + τ ab > n})] = E[(f(X a n ) f(xb n ))τab > n}] 2 f P(τ ab > n) 3 Couplage réussi Lorsque τ ab < p.s., on dira que le couplage a réussi. Dans ce cas, on a necessairement µ a n µb n 0 quand n, propriété que l on qualifie de perte de mémoire : avec le temps, la chaîne oublie quel est son point de départ. La queue de distribution P(τ ab > n) du temps de rencontre permet de quantifier la vitesse à laquelle se perd la mémoire. On a donc intéret à considerer un couplage pour lequel le temps de rencontre est court. Lorsque τ ab < p.s. pour tous a, b E et s il existe une probabilité invariante π, on fait démarrer Y non pas d un état fixé b mais de la loi π, et on montre alors que µ a n π à une vitesse qui est controlée par les queues P(τ ab > n). PROPOSITION 3. Si Q admet une probabilité invariante π, alors pour tout a E, µ a n π, n. On a de plus µ a n π var supp(τ ab > n); b E} Puisque π est invariante, on a b π(b)µb n = π, et par convexité de la norme µ a n π var = b π(b)[µ a n µ b n] var b b π(b) µ a n µb n var π(b)p(τ ab > n) (3.) supp(τ ab > n); b E}
5 chaînes de Markov 5 où l inégalité (3.) résulte de l inégalité de couplage (2.). D autre part, on peut majorer (3.) différemment, en utilisant des parties finies K E : si bien que µ a n π var supp(τ ab > n); b K} + π(k c ), lim n µa n π var lim KրE ( lim sup supp(τ ab > n); b K} + π(k c ) ) = 0 n COROLLAIRE 3. S il existe des couplages réussis τ ab < p.s. pour tous a, b E, Q admet au plus une une probabilité invariante. En effet, la dernière proposition entraine que toute probabilité invariante est telle que π = lim n µ a n et l affirmation découle de l unicité de la limite. 4 Coefficient d ergodicité de Doeblin Il est défini par β(q) = y E inf Q(x, y) [0, ] (4.2) x E EXEMPLE 4. Chateau de cartes : E = N, Q(x, x + ) = p x, Q(x, 0) = p x. Dans ce cas, on a β = sup x (p x ). Si β > 0, on a, à partir de tout état x, une probabilité uniformément positive (et bornée par β) de retourner à 0. On peut alors attendre le premier temps où les deux chaines issues d états différents retournent ensemble à 0 (ce qui se produit avec probabilité au moins β 2 à chaque instant si les chaines sont indépendantes), et ensuite les faire rester ensemble. Le résultat suivant est bien meilleur, il utilise de manière avantageuse la possibilité d instaurer une dépendance entre les chaines. THÉORÈME 4. Supposons β(q) = β > 0. Alors, il existe une fonction F : E [0, [ E telle que pour le couplage libre on ait P( sup τ ab > n) ( β) n a,b E
6 chaînes de Markov 6 Quitte à numéroter les points, on peut supposer que E =, 2,...}. On définit q(y) = inf z Q(z, y) On fixe x E, et on construit F(x, ) en partitionnant [0,[ en intervalles (fermés à gauche, ouverts à droite, indexés par y E) construits récursivement comme indiqués figure. Pour y = : on considère les 2 intervalles I x, droite de 0 I x,+ situé à de longueur gauche de q() Q(x, ) q() Notons que Q(x, ) q() 0, et que I x = Ix,+ I x, est de longueur Q(x, ) (4.3) Pour y = 2 : on considère les 2 intervalles I x, 2 droite de I x, I x,+ situé à 2 gauche de I x,+ de longueur q(2) Q(x, 2) q(2) Comme plus haut, I2 x = Ix,+ 2 I x, 2 est de longueur Q(x, 2). Etc...pour y q() q(2) Q(x,2) q(2) Q(x,) q() β(q) I x, I x, 2 I x,+ 2 I x,+ Fig. Partition de [0,[ pour construire la fonction F On répète la construction pour tout x E. Observons que [0, [\β(q)} y E I x y [0, [, Ix, y ne dépend pas de x. (4.4) Plus précisement, y E Ix y = [0, [ si E est fini, et y E Ix y définit alors F : E [0, [ E par = [0, [\β(q)} sinon. On F(x, u) = y avec u Iy x (4.5) i.e., F(x, u) est l indice y de l intervalle où tombe u. Dans le cas où y E Ix y = [0, [\β(q)}, il faut aussi attribuer une valeur à F(x, β(q)) afin que F soit bien définie partout; mais
7 chaînes de Markov 7 cette valeur n a aucune importance puisque les U n sont des variables aléatoires à densités. D après (4.3), on a P(F(x, U) = y) = Iy x = Q(x, y), et la suite récurrente aléatoire associée à F est de transition Q. D après la deuxième partie de (4.4), on a la propriété remarquable u < β = F(x, u) = F(x, u) x, x E (4.6) Il s en suit que pour tout a, b E, τ ab τ := infn 0; U n < β} Mais τ suit la loi géométrique P(τ > n) = ( β) n, n 0, et le théorème est montré. Ce couplage est appelé le couplage maximal. En corollaire du théorème, on déduit directement des résultats généraux des proposition 3. et corollaire 3. l énoncé suivant : COROLLAIRE 4. Si β(q) > 0 et si Q admet une probabilité invariante π, elle est nécessairement unique et alors pour tout a E, µ a n π var [ β(q)] n Ainsi, on a convergence à vitesse exponentielle vers l état stationnaire. Notons que sous l hypothèse β(q) > 0, la chaine n est pas forcément irreductible : par exemple Q(x, ) = ν avec ν P(E) est telle que β = même si ν s annulle en certains points de E. REMARQUE 4. En fait, la condition β(q) > 0 entraine qu il existe une probabilité invariante. (Laissé en exo) 5 Cas d un espace d état fini On suppose ici E fini. Par compacité, il existe une probabilité invariante, qui sera unique si β(q) > 0 d après le corollaire. Mais il est plus réaliste de faire l hypothèse suivante : PROPOSITION 5. Soit Q une matrice de transition sur E fini, telle que k : Q k (x, y) > 0 x, y E (5.7) Alors, Q est irréductible, elle admet une unique probabilité invariante π, et δ > 0 tel que pour tout n 0, µ a n π var [ δ] n (k )
8 chaînes de Markov 8 L hypothèse (5.7) est vérifiée si Q est irréductible apériodique. La preuve de cette dernière affirmation est élementaire, mais nous ne la donnerons pas ici (voir [] p.42-43). Puisque E est fini, l hypothèse (5.7) implique que de sorte que pour tout entier m, β(q k ) minq k (x, y); x, y E} > 0, inf x E µx mk π var [ β(q k )] m d après le théorème 4.. Par ailleurs, sup x µ x n π var est croissant en n, puisque µ x n+ π var = y E Q(x, y)µ y n π var = y E Q(x, y)[µ y n π] var y E Q(x, y) µ y n π var sup µ y n π var y E par convexité de la norme. Par conséquent, δ := [ β(q k )] /k convient. Voila un résultat dans le cas périodique, indiquant comment se comporte la loi de la chaine à l instant t. La période de x E est défini par d(x) = PGCDn 0; Q n (x, x) > 0} Si Q est irreductible, on montre que tous les points x ont même période, appelé période de Q. Alors, il existe une partition de E, E = E E2... E d telle que Q : E E 2... E d E (i.e., Q(x, y) = 0 si x E i, y E j avec j i + modulo d). PROPOSITION 5.2 Soit Q irréductible périodique sur E, de période d 2. Alors,. Q d est apériodique (et irréductible) sur chacun des espaces E i, i d; 2. Notant π i l unique probabilité invariante de Q d sur E i (i =,...d), la chaine Q a pour unique probabilité invariante d π = d i= π i 3. Il existe δ > 0 tel que µ a nd π i var [ δ] n a E i, i d Pour une preuve, voir [], section 3.3 Ch.3.
9 chaînes de Markov 9 6 Coefficient d ergodicité de Dobrushin Il s agit d une amélioration du précédent, défini par α(q) = inf minq(a, y), Q(b, y)} [0, ] (6.8) a,b E y E Clairement, α(q) β(q). Il est adapté à la construction suivante, dans laquelle on se contente de coupler deux chaines à la fois, et non toutes. En contrepartie, il faudra représenter la chaine double (Xn a, Xb n ) comme une suite récurrente aléatoire (cf (6.2)). On note q a,b (y) := minq(a, y), Q(b, y)}, q a,b := y q a,b (y) α(q) Couplage de Dobrushin. Pour tous a, b fixés dans E, on construit une fonction F(a, b; u) à l aide de deux partitions [0,[ en intervalles (fermés à gauche, ouverts à droite, indexés par y E). α(q) I b,+ 4 (a, b) I a,+ (a, b) q a,b () Iy a, (a,b) = Iy b, (a, b) α(q) I b,+ 3 (a, b) I b,+ 2 (a, b) Fig. 2 Partitions de [0,[, couplage de Dobrushin. La ligne du haut représente les Iy a,± (a, b), celle du bas les Iy b,± (a, b) On pose I a, 0 (a, b) = I b, 0 (a, b) = 0}, I a,+ 0 (a, b) = I b,+ 0 (a, b) = }. Pour y =, 2,..., on considère récursivement, d abord les 2 intervalles Iy a, I a, droite de I a, y (a, b) (a, b) situé à I a,+ y y (a, b) gauche de I a,+ y (a, b) de longueur q a,b (y) Q(a, y) q a,b (y) (a, b), I a,+ (a, b),, y et similairement Iy b, (a, b), Iy b,+ (a, b), I b, y (a, b) droite de I b, (a, b) situé à I b,+ y y (a, b) gauche de I b,+ y (a, b) de longueur q a,b (y) Q(b, y) q a,b (y).
10 chaînes de Markov 0 Pout tout y, l un des deux intervalles I a,+ y I a y (a, b), I b,+ (a, b) est vide. Cette fois, les ensembles y (a, b) = Ia, y (a, b) Iy a,+ (a, b), Iy b (a, b) = Ib, y (a, b) Iy b,+ (a, b) (6.9) sont de longueurs respectives Q(a, y), Q(b, y), et [0, [\q a,b } y E I a y (a, b) = y E Iy b (a, b) [0, [, Ia, y (a, b) = Iy b, (a, b). (6.0) La fonction F : E E [0, [ E E, F(a, b; u) = (y, z) avec u Iy a (a, b), u Ib z (a, b), est bien définie, le couple F(a, b; U 0 ) est bien un couplage de X a, X b, et on a la propriété remarquable u < q a,b = les coordonnées de F(a, b; u) sont égales (6.) d après la deuxième partie de (6.0). La suite récurrente aléatoire (X a n+, Xb n+ ) := F(Xa n, Xb n ; U n) (6.2) est un couplage des chaines issues de a et b, on l appelle le couplage de Dobrushin. A la différence du couplage maximal, les intervalles de coincidence changent à chaque pas. THÉORÈME 6. Pour le couplage de Dobrushin, P( sup τ ab > n) [ α(q)] n a,b E Avec τ ab = infn : U n < q Xa n,xb n }, il résulte de (6.) que τ ab τ ab. (On a même égalité, si a b.) On calcule alors P(τ ab > n) = P(U 0 q Xa 0,Xb 0,...Un q Xa n,xb n ) P(U 0 α(q),...u n α(q)) = [ α(q)] n car q (a,b) α(q). En répétant les calculs du théorème 4., on obtient une majoration plus précise : THÉORÈME 6.2 Si Q admet une probabilité invariante π, alors pour tout a E, Exercice : Soit E =, 2}, et Q = µ a n π var [ α(q)] n ( /3 2/3 2/3 /3 )
11 chaînes de Markov. Montrer qu il existe n 0 tel que n n 0, 2. Trouver un majorant de n 0. (Indications : 0.49 Q n (, ) Q n (2, ) 0.5 la probabilite π uniforme sur E est invariante, et Q a tous ses coefficients strictement positifs. β(q) = α(q) = 2/3 : on résoud.0 ( α) n, soit n 0 [2 log 0/ log3], soit n 0 = 6.) Exercice : Chateau de cartes : vérifier que β = α = inf x q x Références [] R. Fernandez, P. A. Ferrari, A. Galves : Coupling, renewal and perfect simulation of chains of infinite order. Notes for the V Brazilian School of Probability, Ubatuba, August 200. http :// pablo/abstracts/vebp.html [2] H. Thorisson : Coupling, stationarity, and regeneration. Probability and its Applications. Springer-Verlag, New York, 2000
Chapitre 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 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 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 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 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 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 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 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 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 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 détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
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 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 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 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 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 détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en 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 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 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 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 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 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 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 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 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 détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
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 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 détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en 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 détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en 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 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 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 détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en 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 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 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 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 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 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 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 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 détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
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 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 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 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 détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
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 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 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 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 détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailExercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument
Formes algébriques et trigonométriques, module et argument Exercice - - L/Math Sup - On multiplie le dénominateur par sa quantité conjuguée, et on obtient : Z = 4 i 3 + i 3 i 3 = 4 i 3 + 3 = + i 3. Pour
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
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 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 détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
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 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 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 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 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 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 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 détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en 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 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 détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
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 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 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 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 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 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 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 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 détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
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 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 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 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 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 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 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 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 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 détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en 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 détail