Statistiques mathématiques : cours 1
|
|
- Emmanuelle Lheureux
- il y a 6 ans
- Total affichages :
Transcription
1 Statistiques mathématiques : cours 1 Guillaume Lecué 4 septembre /54 1/54
2 Organisation 9 cours de 2h (18h) Guillaume Lecué guillaume.lecue@ensae.fr Les lundis de 17h à 19h et jeudis de septembre de 10h30 à 12h30 (du lundi 4/09 au lundi 2 octobre). (Pas cours les vendredis 22/09 et 29/09 ni jeudi 5/10.) Slides du cours et recueil d exos et annales téléchargeables à 6 TD (12h) Alexander Buchholz Les mardis 26/09 et 3/10 et les mercredis 20/09 et 4/10 de 8h45 à 12h. Examen Fin octobre/ début novembre 2/54 2/54
3 Présentation (succinte) du cours de stats math Echantillonnage et modélisation statistique. Fonction de répartition empirique (2 cours) Méthodes d estimation classiques (2 cours) Information statistique, théorie asymptotique pour l estimation (2 cours) Décision statistique et tests (2 cours) Compléments sur le modéle linéaire et statistiques Bayésiennes(1 cours) 3/54 3/54
4 Aujourd hui Organisation du cours Echantillonnage et modélisation statistique Données d aujourd hui Expérience statistique Modéle statistique Fonction de répartition empirique et théorème fondamentale de la statistique Loi d une variable aléatoire Fonction de répartition empirique Approche non-asymptotique 4/54 4/54
5 Les données d aujourd hui : fichiers (en local).csv ou.txt Les chiffres du travail Taux d activité par tranche d âge hommes vs. femmes 5/54 5/54
6 Les données d aujourd hui : séries temporelles Le monde de la finance 6/54 6/54
7 Les données d aujourd hui : grandes matrices Biopuces et analyse d ADN 7/54 7/54
8 Les donne es d aujourd hui : graphes acteurs de se ries 8/54 8/54
9 Les données d aujourd hui : le métier en data science Problèmatique : stockage, requettage : expertise en base de données data jujitsu, data massage data-vizualization (Gephi, Tulip, widget python, power BI, etc.) mathématiques : modélisation (statistiques) construction d estimateurs implémentation d algorithmes Python, R, H2O, TensorFlow, vowpal wabbit, spark,..., github,... Pour s entrainer aux métiers en data science : notebooks python Coursera 9/54 9/54
10 Objectif du cours statistiques mathématiques 1. Construire des modèles statistiques pour des données classiques 2. Construire des estimateurs / tests classiques 3. Connaître leurs propriétés statistiques et les outils mathématiques qui permettent de les obtenir 0/54 10/54
11 Problématique statistique 1) Point de départ : données (ex. : des nombres réels) x 1,..., x n 2) Modélisation statistique : les données sont des réalisations X 1(ω),..., X n(ω) de v.a.r. X 1,..., X n. (autrement dit, pour un certain ω, X 1(ω) = x 1,..., X n(ω) = x n) La loi P (X 1,...,X n) de (X 1,..., X n) est inconnue, mais appartient à une famille donnée (a priori) { P n θ, θ Θ } : le modéle On pense qu il existe θ Θ tel que P (X1,...,Xn) = P n θ. 3) Problématiques : à partir de l observation X 1,..., X n, peut-on estimer θ? tester des propriétés de θ? 1/54 11/54
12 Problématique statistique (suite) θ est le paramètre et Θ l ensemble des paramètres. Estimation : à partir de X 1,..., X n, construire ϕ n (X 1,..., X n ) qui approche au mieux θ. Test : à partir des données X 1,..., X n, établir une décision T n (X 1,..., X n ) {ensemble de décisions} concernant une hypothèse sur θ. Definition Une statistique est une fonction mesurable des données!attention! Une statistique ne peut pas dépendre du paramètre inconnu : une statistique se construit uniquement à partir des données! 12/54 12/54
13 Exemple du pile ou face On lance une pièce de monnaie 18 fois et on observe (P = 0, F = 1) 0, 0, 0, 1, 1, 0, 1, 0, 0, 1, 1, 0, 1, 0, 0, 1, 1, 0 Modéle statistique : on observe n = 18 variables aléatoires (X i ) 18 i=1 indépendantes, de Bernoulli de paramètre inconnu θ Θ = [0, 1]. Estimation. Estimateur X18 = 1 18 précision? 18 i=1 X ici i = 8/18 = Quelle Test. Décision à prendre : la pièce est-elle équilibrée?. Par exemple : on compare X 18 à 0.5. Si X petit, on accepte l hypothèse la pièce est équilibrée. Sinon, on rejette. Quel seuil choisir, et avec quelles conséquences (ex. probabilité de se tromper). 3/54 13/54
14 Echantillonnage = répétition d une même expérience L expérience statistique la plus centrale : on observe la réalisation de X 1,..., X n, v.a. où les X i sont indépendantes, identiquement distribuées (i.i.d.), de même loi commune P X {P θ : θ Θ}. problème : à partir des données X 1,..., X n que dire de la loi P X commune aux X i? (moyenne, moments, symétrie, densité, etc.) 4/54 14/54
15 Expérience statistique Consiste à déterminer : l espace des observations Z (ex. : Z = {0, 1} 18 ) C est l espace où vivent les observations Une tribu : Z (on modélise les données comme des réalisations de variables aléatoires...) (ex. : Z = P(Z) = tous les sous-ensembles de Z) Une famille de lois = modéle {P θ, θ Θ} (ex. : P θ = P n θ = (θδ 1 + (1 θ)δ 0 ) 18 ) 5/54 15/54
16 Expérience statistique Definition Une expérience statistique E est un triplet où E = ( Z, Z, { P θ, θ Θ }) ( Z, Z ) espace mesurable (ex. : (R n, B(R n ))), {P θ, θ Θ} famille de probabilités définies simultanément sur le même espace ( Z, Z ). 16/54 16/54
17 Modéles statistiques (jargon) {P θ, θ Θ} est appelé modéle quand il existe k tel que Θ R k, on parle de modéle paramétrique quand θ est un paramètre infini dimensionnel, on parle de modéle non-paramétrique (ex. : densité) quand θ = (f, θ 0 ) où f est infini dimensionnel (souvent, paramètre de nuisance) et θ 0 R k (paramètre d intérêt), on parle de modéle semi-paramétrique quand θ Θ P θ est injectif, on dit que le modéle est identifiable 17/54 17/54
18 Modéles statistiques Question centrale en statistiques : Quel modéle est le plus adapté à ces données? Il existe deux manières équivalentes de définir un modéle : 1. soit en se donnant une famille de loi {P θ, θ Θ} 2. soit en se donnant une équation 8/54 18/54
19 Exemple de modéle/modélisation (1) On observe un n-uplet de variables aléatoires réelles : Z = (X 1,..., X n ) On peut modéliser ces observations de deux manières (équivalentes) : Famille de lois : {P θ : θ R}, par exemple, P θ = ( N (θ, 1) ) n Par une équation : pour tout i 1,..., n, X i = θ + g i où g 1,..., g n sont n variables aléatoires Gaussiennes centrées réduites indépendantes. 19/54 19/54
20 Exemple de modéle/modélisation (2) On observe un n-uplet de variables aléatoires réelles : Z = (X 1,..., X n ) On peut modéliser ces observations de deux manières (équivalentes) : Par une équation : X 1 = g 1 et pour tout i 1,..., n 1, X i+1 = θx i + g i où g 1,..., g n sont iid N (0, 1). Famille de lois : {P θ : θ R} où P θ = f θ.λ n où λ n est la mesure de Lebesgue sur R n et f θ (x 1,..., x n ) = f (x 1 )f (x 2 θx 1 ) f (x n θx n 1 ) et f (x) = exp( x 2 /2) 2π. 20/54 20/54
21 Pourquoi modéliser? Données Problème concrêt Modélisation Pourquoi modéliser? : 1) Outils mathématiques 2) Résultats mathématiques 3) Algorithmes Processus stochastique Problème mathématique 21/54 21/54
22 3 modèles (non-paramétriques) classiques 1. Modéle de densité : on observe un n-échantillon X 1,..., X n de v.a.r. de densité f tel que f C où C est une classe de densités sur R (Lebesgue). 2. Modéle de régression : on observe un n-échantillon de couples (X i, Y i ) n i=1 tel que Y i R, X i R d et Y i = f (X i ) + ξ i où ξ i sont des v.a.r.i.i.d. indépendantes des X i et f C. quand f (Xi ) = θ, X i : modéle de regression linéaire, et quand ξi N (0, σ 2 ) : modéle linéaire Gaussien 3. modéle de classification : on observe un n-échantillon (X i, Y i ) n i=1 tel que Y i {0, 1} et X i X. Par ex. : P[Y i = 1 X i = x] = σ( x, θ ) où σ(x) = (1 + e x ) 2/54 22/54
23 Partie 2 Fonction de répartition empirique et théorème fondamentale de la statistique 3/54 23/54
24 Question fondamentale Considérons le modéle d échantillonnage sur R : on observe X 1,..., X n qui sont i.i.d. de loi commune P X. Rem. : Comme la loi de l observation (X 1,..., X n ) est P n X, se donner un modéle est ici (pour le modéle d échantillonnage) équivalent à se donner un modéle sur P X. Par exemple : P X {N (θ, 1) : θ R} Question fondamentale On considère le modéle total = P X { toutes les lois sur R}, est-il possible de connaître exactement P X quand le nombre n de données tends vers? 24/54 24/54
25 Rappel : loi d une variable aléatoire réelle Definition X : ( Ω, A, P ) ( R, B ) Loi de X : mesure de probabilité sur (R, B), notée P X, définie par P X [ A ] = P[X A], A B. Formule d intégration E [ ϕ(x ) ] = ϕ ( X (ω) ) P(dω) = ϕ(x) P X (dx) pour toute fonction test ϕ. Ω R 25/54 25/54
26 Loi d une variable aléatoire (1/4) Exemple 1 : X suit la loi de Bernoulli de paramètre 1/3 La loi de X est décrite par P [ X = 1 ] = 1 3 = 1 P [ X = 0 ] Ecriture de P X : P X = 1 3 δ δ 0 Formule de calcul (ϕ fonction test) E [ ϕ(x ) ] = ϕ(x) P X (dx) R = 1 3 ϕ(x)δ 1 (dx) ϕ(x)δ 0 (dx) R = 1 3 ϕ(1) ϕ(0) R 26/54 26/54
27 Loi d une variable aléatoire (2/4) Exemple 2 : X loi de Poisson de paramètre 2 La loi de X est décrite par P [ X = k ] = 2k k! e 2, k = 0, 1,... Ecriture de P X : P X = e 2 k N 2 k k! δ k Formule de calcul (ϕ fonction test) E [ ϕ(x ) ] = ϕ(x) P X (dx) = e 2 ϕ(k) 2k k! R k N 27/54 27/54
28 Loi d une variable aléatoire (3/4) Exemple 3 : X N (0, 1) (loi normale standard). La loi de X est décrite par P [ X [a, b] ] = Ecriture de P X : e x 2 /2 dx 2π [a,b] λ : mesure de Lebesgue Formule de calcul E [ ϕ(x ) ] = P X = f.λ où f (x) = 1 2π e x 2 /2 R ϕ(x) P X (dx) = R ϕ(x)e x 2 /2 dx 2π 28/54 28/54
29 Loi d une variable aléatoire (4/4) Exemple 4 : X = min(z, 1), où la loi de Z a une densité f par rapport à la mesure de Lebesgue sur R. Ecriture de P X : P X = g.λ + P [ Z 1 ] δ 1, où g(x) = f (x)i ( x < 1 ), x R. Formule de calcul E [ ϕ(x ) ] = 1 ϕ(x)f (x)dx + P [ Z 1 ] ϕ(1) 29/54 29/54
30 Fonction de répartition Les lois sont des objets compliquées. On peut néanmoins les caractériser par des objets plus simples. Definition Soit X variable aléatoire réelle. La fonction de répartition de X est : F (x) := P [ X x ], x R. F est croissante, cont. à droite, F ( ) = 0, F (+ ) = 1 F caractérise la loi P X : P X [ (a, b] ] = P [ a < X b ] = F (b) F (a) Si F est dérivable alors P X << λ et f X = F Désormais, la loi de X désignera indifféremment F ou P X. 30/54 30/54
31 Retour sur la question fondamentale On observe X 1,..., X n i.i.d. F, F fonction de répartition quelconque, inconnue. Question : Est-il possible de retrouver exactement F quand n tends vers? Idée : On va chercher à estimer F sur R. Soit x R. F (x) = P[X x] est la probability que X soit plus petit que x. On va alors compter le nombres de X i qui sont plus petit que x et diviser par n : 1 n n I (X i x). i=1 31/54 31/54
32 Fonction de répartition empirique Definition Fonction de répartition empirique associée au n-échantillon (X 1,..., X n ) : F n (x) = 1 n n I ( X i x ), x R. i=1 (C est une fonction aléatoire) 32/54 32/54
33 Propriétés asymptotiques de F n (x) Pour tout x R : F n (x) p.s. F (x) quand n C est une conséquence de la loi forte des grands nombres appliquée à la suite de v.a.r.i.i.d. ( I (X i x) ) i. On dit que F n (x) est un estimateur fortement consistant de F (x). 33/54 33/54
34 Propriétés asymptotiques de F n Theorem (Glivenko-Cantelli) F n F p.s. 0 quand n Aussi appelé Théorème fondamental de la statistique. Interprétation : Avec un nombre infini de données dans le modéle d échantillonnage, on peut donc reconstruire exactement F et donc déterminer exactement la loi des observations. 34/54 34/54
35 Notebooks Glivenko-Cantelli 5/54 35/54
36 Autres propriétés asymptotiques de F n (x) Soit x R. On sait que si n alors F n (x) p.s. F (x) Question : Quelle est la vitesse de convergence de F n (x) vers F (x)? Outil : Théorème central-limite appliqué à la suite de v.a.r.i.i.d. ( I (Xi x) ) i : n ( Fn (x) F (x) ) d N ( 0, F (x)(1 F (x)) ) On dit que F n (x) est asymptotiquement normal de variance asymptotique F (x)(1 F (x). 36/54 36/54
37 TCL et intervalle de confiance asymptotique On a montré par le TCL que pour tout 0 < α < 1, quand n, [ P Fn (x) F (x) ] σ(f ) cα exp( x 2 /2) dx = α n x >c α 2π où σ(f ) = F (x)(1 F (x)) et c α = Φ 1 (1 α/2). Attention! ceci ne fournit pas un intervalle de confiance : σ(f ) = F (x) 1/2( 1 F (x) ) 1/2 est inconnu! Solution : remplacer σ(f ) par σ( F n ) = F n (x) 1/2( 1 F n (x) ) 1/2 (qui est observable), grâce au lemme de Slutsky. 7/54 37/54
38 TCL et intervalle de confiance asymptotique Proposition Pour tout α (0, 1), I asymp n,α = [ F n (x) ± F n (x) 1/2( 1 F n (x) ) ] 1/2 Φ 1 (1 α/2) n est un intervalle de confiance asymptotique pour F (x) au niveau de confiance 1 α : P [ F (x) In,α asymp ] 1 α. 38/54 38/54
39 Notebooks Glivenko-Cantelli 9/54 39/54
40 Vitesse de convergence dans le Théorème de Glivenko-Cantelli Theorem (Théorème de Kolmogorov-Smirnov) Soit X une v.a.r. de fonction de répartition F qu on suppose continue et (X n ) n une suite de v.a.r. i.i.d. de même loi que X alors : d n Fn F K où K est une variable aléatoire telle que pour tout x R P[K x] = 1 2 ( 1) k+1 exp( 2k 2 x 2 ) k=1 Utile pour le test de Kolmogorov-Smirnov version non-asymptotique de ce résultat : quand F est continue, la loi de F n F est indépendante de F 0/54 40/54
41 résultats asymptotiques et non-asymptotiques On classe les résultats statistiques en deux catégories : 1. Un résultat obtenu quand n tend vers l infini est un résultat dit asympotique 2. Un résultat obtenu à n fixé est un résultat dit non-asympotique 41/54 41/54
42 Estimation non-asymptotique de F (x) par F n (x) Soit 0 < α < 1 donné (petit). On veut trouver ε, le plus petit possible, de sorte que P [ F n (x) F (x) ε ] α. On a (Tchebychev) P [ F n (x) F (x) ε ] 1 ε 2 Var[ Fn (x) ] = F (x)( 1 F (x) ) nε 2 1 4nε 2 α Conduit à ε = 1 2 nα 42/54 42/54
43 Intervalle de confiance non-asymptotique Conclusion : pour tout n 1 et tout α > 0, [ P F n (x) F (x) 1 ] 2 α. nα Terminologie L intervalle I n,α = [ F n (x) ± 1 ] 2 nα est un intervalle de confiance non-asymptotique pour F (x) au niveau de confiance 1 α. 43/54 43/54
44 Inégalité de Hoeffding Proposition Y 1,..., Y n v.a.r.i.i.d. telles que a Y 1 b p.s.. Alors [ ] 1 n ( ) P Y i E Y 1 t 2 exp 2nt2 n (a b) 2 i=1 Application : on fait Y i = I (x i x) et p = F (x). On en déduit P [ Fn (x) F (x) ε ] 2 exp( 2nε 2 ). On résout en ε : soit 2 exp( 2nε 2 ) = α, ε = 1 2n log 2 α. 44/54 44/54
45 Comparaison Tchebychev vs. Hoeffding Nouvel intervalle de confiance I hoeffding n,α = [ ] 1 F n (x 0 ) ± 2n log 2 α à comparer avec [ In,α tchebychev = F n (x 0 ) ± 1 ] 2 nα Même ordre de grandeur en n. Gain significatif dans la limite α 0. 45/54 45/54
46 Observation finale Comparaison des longueurs des 3 intervalles de confiance : Tchebychev (non-asymptotique) 2 n 1 2 α Hoeffding (non-asymptotique) 2 n 1 2 log 2 α TCL (asymptotique) 2 n Fn (x 0 ) 1/2( 1 F n (x 0 ) ) 1/2 Φ 1 (1 α/2). La longueur la plus petite est celle fournie par le TCL. Mais la longueur de l intervalle de confiance fournie par l inégalité de Hoeffding est comparable à celle du TCL en n et α (dans la limite α 0). 6/54 46/54
47 Version non-asymptotique de Kolmogorov-Smirnov X 1,..., X n i.i.d. de loi F continue, F n leur fonction de répartition empirique. Proposition (Inégalité de Dvoretsky-Kiefer-Wolfowitz) Pour tout ε > 0. P [ sup Fn (x) F (x) ] ( ε 2 exp 2nε 2 ). x R Résultat difficile (théorie des processus empiriques). Permet de construire des régions de confiance avec des résultats similaires au cadre ponctuel : [ P x R, F (x) [ Fn 1 (x) ± 2n log α] ] 2 1 α 47/54 47/54
48 Rappels de probabilités 8/54 48/54
49 Tribus et mesures de probabilité Soit Z un ensemble. 1. Une tribu Z sur Z est un ensemble de parties de Z tel que : Z est stable par union et intersection dénombrable Z est stable par passage au complémentaire Z Z Les éléments de Z sont appelés des événements. 2. Une mesure de probabilité sur (Z, Z) est une appplication P : Z [0, 1] telle que P[Z] = 1 Si (An) est une famille dénombrable d événements disjoints alors P [ ] n A n = P[A n] Le dernier point est aussi équivalent à : pour (A n ) une suite croissante d événements on a P(A n ) P( A n ). n 9/54 49/54
50 Type de convergence de suite de variables aléatoires Soit (Z n ) une suite de variable aléatoires et Z une variable aléatoire à valeurs dans (R, B) (toutes définies sur un espace probabilisé (Ω, F, P)). 1. (Z n ) converge en loi vers Z, noté Z n d Z, quand pour pour toute fonction continue bornée f : R R on a E f (Z n ) E f (Z) 2. (Z n ) converge en probabilité, vers Z, noté Z n P Z, quand pour tout ɛ > 0, P [ Z n Z ɛ ] 0 3. (Z n ) converge presque surement vers Z, noté Z n p.s. Z, quand il existe un événement Ω 0 F tel que P[Ω 0 ] = 1 et pour tout ω Ω 0 Z n (ω) Z(ω) 0/54 50/54
51 Loi forte des grands nombres Theorem Soit (X n ) une suite de v.a.r.i.i.d. telle que E X 1 <. Alors 1 n n i=1 X i p.s. E X 1 Il y a aussi une équivalence ( à ce résultat : si (X n ) est une suite de ) 1 n v.a.r.i.i.d. telle que n i=1 X i converge presque surement alors n E X 1 < et elle converge presque surement vers E X 1. 51/54 51/54
52 Théorème central-limite Theorem Soit (X n ) une suite de v.a.r.i.i.d. telle que E X 2 1 <. Alors n ( 1 σ n n ) d X i E X 1 N (0, 1) i=1 TCL : vitesse dans la loi des grands nombres. Interprétation du TCL : 1 n n Y i = µ + σ ξ (n), ξ (n) d N (0, 1). n i=1 Le mode de convergence est la convergence en loi. Ne peut pas avoir lieu en probabilité. 52/54 52/54
53 Lemme de Slutsky Le vecteur (X n, Y n ) d (X, Y ) si E [ ϕ(x n, Y n ) ] E [ ϕ(x, Y ) ], pour ϕ continue bornée. d d Attention! Si X n X et Yn Y, on n a pas en général (X n, Y n ) d (X, Y ). d P Mais (lemme de Slutsky) si X n X et Yn c (constante), alors (X n, Y n ) d (X, Y ). Par suite, sous les hypothèses du lemme, pour toute fonction continue g, on a g(x n, Y n ) d g(x, Y ). 3/54 53/54
54 Continuous map theorem Soit f : R R une fonction continue et (X n ) une suite de v.a.r. 1. si (X n ) converge en loi vers X alors f (X n ) converge en loi vers f (X ) 2. si (X n ) converge en probabilité vers X alors f (X n ) converge en probabilité vers f (X ) 3. si (X n ) converge p.s. vers X alors f (X n ) converge p.s. vers f (X ) 54/54 54/54
Intégration 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 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 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 détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en 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 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 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 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 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 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 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 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 détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en 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 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 détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailLEÇON 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 détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailTests semi-paramétriques d indépendance
Tests semi-paramétriques d indépendance Bernard Colin et Ernest Monga Département de Mathématiques Université de Sherbrooke Sherbrooke J1K-2R1 (Québec) Canada Rapport de recherche N o 139 Abstract Let
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 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 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 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 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 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 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 (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 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 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 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 détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
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 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 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 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 détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en 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 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 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 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 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 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 détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
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 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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
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 détailTHÉORIE DE LA MESURE ET DE L INTÉGRATION.
THÉORIE DE LA MESURE ET DE L INTÉGRATION. THIERRY GALLAY Transcrit par Tancrède LEPOINT 29 UNIVERSITÉ JOSEPH FOURIER, GRENOBLE TABLE DES MATIÈRES Avant-propos Biographie sommaire...........................................
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 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 détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en 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 détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
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 détail4 Exemples de problèmes MapReduce incrémentaux
4 Exemples de problèmes MapReduce incrémentaux 1 / 32 Calcul des plus courtes distances à un noeud d un graphe Calcul des plus courts chemins entre toutes les paires de noeuds d un graphe Algorithme PageRank
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 détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en 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 détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en 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 détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
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 détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
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 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 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 détailMIS 102 Initiation à l Informatique
MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en 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 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 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 détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
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 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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en 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 détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
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 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 détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
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 détailTRAVAIL D ETUDE ET DE RECHERCHE. Utilisation des arbres binomiaux pour le pricing des options américaines
Ensimag - 2éme année Mai 2010 TRAVAIL D ETUDE ET DE RECHERCHE Utilisation des arbres binomiaux pour le pricing des options américaines Anne-Victoire AURIAULT 1/48 2/48 Cadre de l Étude Cette étude a été
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 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 détailCours d introduction à la théorie de la détection
Olivier J.J. MICHEL Département EEA, UNSA v1.mars 06 olivier.michel@unice.fr Laboratoire LUAN UMR6525-CNRS Cours d introduction à la théorie de la détection L ensemble du document s appuie très largement
Plus en détailRéalisabilité et extraction de programmes
Mercredi 9 mars 2005 Extraction de programme: qu'est-ce que c'est? Extraire à partir d'une preuve un entier x N tel que A(x). π x N A(x) (un témoin) (En fait, on n'extrait pas un entier, mais un programme
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
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 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 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 détail