Séminaire TEST. 1 Présentation du sujet. October 18th, 2013

Dimension: px
Commencer à balayer dès la page:

Download "Séminaire TEST. 1 Présentation du sujet. October 18th, 2013"

Transcription

1 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 v.a. X, Y,..., X, Y telles que : Y i = θ X i + ξ i, X i 0, ], où E ξ i = 0 pour tout i et la fonction dite de régression θ : 0, ] R est inconnue. On cherche à estimer θ qui appartient à un ensemble non-paramétrique infinidimensionnel Θ. Ça fait partie d une classe plus large de problèmes, celle de la estimation non paramètrique. On utilisera comme ensemble Θ la classe de Hölder Σ β, L. Definition Classe de Hölder Pour I R, soient β > 0, L > 0. La classe de Hölder sur I est l ensemble de toutes les fonctions f : I R telles que la dérivée f l, l = β existe et vérifie f l x f l x L x x β l, x, x I. Il y a trois éléments qui caracterisent un problème d estimation non-paramétrique : Une classe non-paramètrique de fonctions Θ contenant la vraie fonction θ. Une famille {P θ, θ Θ} de mesures de probabilité sur un espace mesurable X, A associé à un échantillon. Une semi-distance d sur Θ utilisée pour définir le risque. La performance d un estimateur ˆθ de θ est mesurée par son risque maximal sur θ : r ˆθ = sup E ˆθ θ d, θ ]. Si pour certains estimateurs on a des inégalités du type : sup E ˆθ θ d, θ ] Cψ, avec ψ 0 et C <, on serait intérésés à obtenir des bornes inférieures correspondantes : Definition Risque minimax ˆθ, sup E ˆθ θ d, θ ] cψ. R = inf ˆθ sup E ˆθ θ d, θ ]

2 RAPPELS DE HÉORIE DE LA MESURE Definition 3 Vitesse optimale de convergence La suite {ψ } est dite vitesse optimale de convergence des estimateurs sur Θ, d si et sont verifiées. Un estimateur θ qui vérifie : sup E θ d θ, θ ] C ψ, est dit estimateur optimal en vitesse de convergence sur Θ, d. On peut considérer un cadre plus général où le risque maximal es défini par r w ˆθ = sup E θ w ψ d ˆθ, θ ], avec une fonction perte w : R + R + monotone croissante, non idéntiquement nulle et telle que w 0 = 0. Exemple : w u = u p, p > 0. Rappels de théorie de la mesure Definition 4 Soit ν une mesure positive sur X, A et soit ρ, ρ des mesures positives resp. réelles, resp. complexes sur X, A. On dit que ρ est absolument continue par rapport à ν, et l on note ρ ν, si pour tout A A tel que ν A = 0, on a également ρ A = 0. Si ν et ρ sont σ finies ρ ν ρ A = dρ dρ dν. est la densité de ρ par rapport à ν, qui, dans ce A dν dν cas est une fonction mesurable positive resp. -intégrable réelle, resp. -intégrable complexe. On dit que ρ est concentrée sur E A si pour tout A A on a ρ A = ρ A E, ou bien encore ρ A\E = 0. On dit que ρ et ρ sont étrangères, et l on note ρ ρ, s il existe E A telle que ρ soit portée par E et ρ soit portée par E c. heorem. Radon-Nikodym-Lebesgue Soient ν une mesure positive σ finie sur X, A et µ une mesure positive σ finie resp. réelle, resp. complexe sur X, A. Alors : i Il existe un unique couple de mesures positives σ finies resp. réelles, resp. complexes tel que : µ = µ + µ, µ ν, µ ν Cette décomposition s appelle la décomposition de Lebesgue de µ. ii Il existe une unique à égalité -presque partout près fonction h, ν -intégrable mesurable positive resp. réelle, resp. complexe, telle que pour tout A A on ait : µ A = hdν = A hdν A Cette fonction s appelle la dérivée de Radon-Nykodym de µ par rapport à ν. Supposons que ν est une mesure σ finie sur X, A telle que P 0 ν, P ν, on définit p 0 = dν, p = dp dν. ν existe toujours, par exemple, ν = P 0 + P. X

3 RAPPELS DE HÉORIE DE LA MESURE Definition 5 Divergence de Kullback-Leibler Entre P 0 et P est définie par : log dp K P 0, P = 0, si P 0 P dp +, sinon. Si P 0 P, on a {p > 0} {p 0 > 0}, {p 0 p > 0} = {p 0 > 0}. De plus, l intégrale dans la définition 5 est calculée sur l ensemble {p 0 > 0}. On en déduit que si P 0 P : K P 0, P = p 0 log p 0 dν. p p 0 p >0 Lemma Inégalité de Le Cam, 973 p0 p dν min p 0, p dν Proof du Lemme p0 p dν = p 0 p p0 p dν + p 0 <p p0 p dν p0 p dν + p0 p dν p 0 p p 0 <p p 0 dν p dν + p dν p 0 dν p 0 p p 0 <p = min p 0, p dν Lemma min p 0, p dν exp K P 0, P. Proof du lemme Grâce à l inégalité de Jensen, p0 p dν = exp log p 0 p >0 = exp log p 0 p >0 = exp log p 0 p >0 p0 p dν p p 0 dν p 0 dp 3

4 3 SCHÉMA GÉNÉNAL DE RÉDUCION exp p 0 p >0 = exp K P 0, P dp log On complète la preuve en utilisant l Inégalité de Le Cam. 3 Schéma génénal de réduction a Réduction aux bornes en probabilité : Soit A une constante telle que w A > 0, l inégalité de Markov conduit à : inf ˆθ sup E θ w ψ d ˆθ, θ ] w A inf ˆθ sup P θ d ˆθ, θ s avec s = Aψ. b Réduction au problème de test d un nombre fini d hypothèses : inf max P θ d ˆθ, θ s 3 ˆθ θ {θ 0,...,θ M } sup P θ d ˆθ, θ s inf ˆθ where {θ 0,..., θ M } Θ. Cet ensemble doit etre convenablement choisi. c Choix des hypothèses séparées d une distance d au moins s : Si : d θ j, θ k s, k j, soit ψ = arg min d ˆθ, θ k le test du minimum de distance, alors 0 k M ψ j d θ ψ, ˆθ + d ˆθ, θ j d θψ, θ j s d ˆθ, θ j s, et donc P θ j d ˆθ, θ j s Pθ j ψ j, j = 0,..., M. inf ˆθ max θ {θ 0,...,θ M } P θ d ˆθ, θ s inf ψ max P θ j ψ j. 4 0 j M L infimum dans le terme de droite est pris dans l ensemble de tous les tests, i.e. fonctions Y,..., Y mesurables ψ à valeurs dans {0,..., M}. On note : p e,m = inf ψ max P θ j ψ j. 0 j M L objectif est d obtenir une borne inférieure pour p e,m qui soit indépendante de. Dans la pratique 3 conditions sont cherchées afin de borner p e,m :. Assurer 3 : θ j Θ, j = 0,..., M.. Assurer 4 : d θ j, θ k s > 0, 0 j < k M. 3. Assurer que p e,m c > 0 : heorem 3. Soient P 0, P deux mesures de probabilité sur A. Si K P 0, P α <, alors : p e, exp α 4

5 4 BORNE INFÉRIEURE POUR LA RÉGRESSION EN UN POIN heorem 3. Supposons que Θ contient M éléments θ 0,..., θ M tels que : i d θ j, θ k s > 0, 0 j < k M, ii P j P 0, j < k M, et M iii K P θ M j, P θ0 α log M, avec α 0,. 4 Alors, j= Proof du héorème 3. p e,m α α log M > 0. p e, = inf max P j ψ j ψ j=0, inf P0 ψ 0 + P ψ ] ψ A ] = inf p 0 + A c p dν A A = min p 0, p dν = P 0 ψ 0 + P ψ L ensemble A où l infimum est atteint est A = {p 0 p } et en conséquence ψ = A. On utilise le lemme et cela donne : min p 0, p dν p e, exp K P 0, P exp α. 4 Borne inférieure pour la régression en un point Exemple d application des bornes basées sur deux hypothèses dans le modèle de régression vérifiant les conditions suivantes. Le modèle statistique est celui de régression non-paramétrique : Y i = f X i + ξ i,, i =,..., où f : 0, ] R. Les variables aléatoires ξ i sont i.i.d., de densité p ξ par rapport à la mesure de Lebesgue sur R, vérifiant : p > 0, v 0 > 0 : pour tout v v 0. Les X i 0, ] sont déterministes. p ξ u log p ξ u p ξ u + v du p v, 5

6 4 BORNE INFÉRIEURE POUR LA RÉGRESSION EN UN POIN Il existe un a 0 R tel que, pour tout intervalle A 0, ] et tout, {Xi A} a 0 max Leb A, La deuxième condition est satisfaite si, par exemple, p ξ est la densité de la loi normale N 0, σ, σ > 0. Notre objectif est d établir une borne inférieure pour le risque minimax sur Θ, d, où Θ = Σ β, L est une classe de Hölder et pour la semi-distance d, la distance en un point fixé x 0, ] : d f, g = f x 0 g x 0. La vitesse qu on veut obtenir est ψ = β β+, la meme que dans les bornes supérieures des estimateurs par polynomes locaux par exemple page 36. Il nous suffira de prendre M = hypothèses : θ 0 x 0, θ x = Lh β K x x0 h, x 0, ], où h = c 0 β+, c0 > 0, L > 0 et la fonction K : R 0, + vérifie : K Σ β, C R, K u > 0 u,. Les fonctions K vérifiants cette condition existent. Par exemple, on peut prendre, avec un a > 0 suffisamment petit, K u = ak 0 u, où K 0 u = exp u u. Pour pouvoir utiliser le héorème 3. on doit vérifier trois conditions : La condition θ j Σ β, L, j = 0,. Pour l = β, la dérivée l ème de θ vaut θ l θ l x θl Donc θ Σ β, L Σ β, L. La condition d θ 0, θ s. x = Lh β l x x = Lhβ l K l x0 x x0 Kl h Lhβ l x x 0 x x 0 h h = L x x β l h K l x x 0 β l d θ 0, θ = θ x 0 = Lh β K 0 = Lcβ 0K 0 β n Et la condition est satisfaite avec A = Lcβ 0 K 0. β+ h et alors : La condition K P 0, P α. Notons que P j la loi de Y,..., Y pour θ j admet une densité par rapport à la mesure de Lebesgue sur R de la forme p j u,..., u = p ξ ui θ j X i, j = 0, 6

7 4 BORNE INFÉRIEURE POUR LA RÉGRESSION EN UN POIN Il existe un entier 0 tel que pour tout > 0 on a h et Lh β K max v 0 où K max = max K u et 0 ne dépend que de c 0, L, β, K max, v 0. Donc : u K P 0, P = log dp p ξ u i ] =... log pξ u i du i p ξ u i θ X i p ξ y = log p ξ y θ X i p ξ y dy p θ X i = p L h β p L h β K max K Xi x 0 h X i x 0 h p a 0 L Kmaxh β max h, = p a 0 L Kmaxh β+. β+ α Si on choisit c 0 =, on obtient K P0, P p a 0 L Kmax α. 7

Tests 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 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 détail

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à Intégration et probabilités 212-213 TD3 Intégration, théorèmes de convergence Corrigé xercice ayant été voué à être préparé xercice 1 (Mesure image). Soient (, A, µ) un espace mesuré, (F, B) un espace

Plus en détail

Limites finies en un point

Limites 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 détail

Image d un intervalle par une fonction continue

Image 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 détail

Continuité en un point

Continuité 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 détail

Principe de symétrisation pour la construction d un test adaptatif

Principe 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 détail

4. Martingales à temps discret

4. 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 détail

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Fonctions 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 détail

Espérance conditionnelle

Espérance conditionnelle Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle

Plus en détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x )

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x ) Séries de Fourier Les séries de Fourier constituent un outil fondamental de la théorie du signal. Il donne lieu à des prolongements et des extensions nombreux. Les séries de Fourier permettent à la fois

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage 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 détail

Dualité dans les espaces de Lebesgue et mesures de Radon finies

Dualité 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 détail

Remise à niveau en processus stochastiques

Remise à niveau en processus stochastiques M2IR Université Claude Bernard Lyon 1 Année universitaire 212-213 Remise à niveau en processus stochastiques F. Bienvenüe-Duheille Le but de ce poly est de vous mettre à niveau sur les processus stochastiques

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* 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 détail

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

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 détail

La mesure de Lebesgue sur la droite réelle

La 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 détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De 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 détail

CCP PSI - 2010 Mathématiques 1 : un corrigé

CCP 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 détail

Théorie de la Mesure et Intégration

Théorie 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 détail

Cours STAT 2150. "Statistique non paramétrique: Méthodes de lissage"

Cours STAT 2150. Statistique non paramétrique: Méthodes de lissage Cours STAT 2150 "Statistique non paramétrique: Méthodes de lissage" Année académique 2008-2009 Séance 1 1 Table de matière du cours 1. Introduction (Fonction de répartition, histogramme, propriétés d un

Plus en détail

Chp. 4. Minimisation d une fonction d une variable

Chp. 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 détail

Économetrie non paramétrique I. Estimation d une densité

Économetrie non paramétrique I. Estimation d une densité Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer

Plus en détail

Chapitre 7 : Intégration sur un intervalle quelconque

Chapitre 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 détail

Examen du cours de Mesures de risque en finance

Examen du cours de Mesures de risque en finance Examen du cours de Mesures de risque en finance Mercredi 15 Décembre 21 (9h-11h) Seul document autorisé: une feuille A4 manuscrite recto-verso. Important : rédiger sur une même copie les exercices 1 et

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 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 détail

Théorie spectrale. Stéphane Maingot & David Manceau

Théorie spectrale. Stéphane Maingot & David Manceau Théorie spectrale Stéphane Maingot & David Manceau 2 Théorie spectrale 3 Table des matières Introduction 5 1 Spectre d un opérateur 7 1.1 Inversibilité d un opérateur........................... 7 1.2 Définitions

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante

Plus en détail

Intégration et probabilités TD1 Espaces mesurés

Intégration 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 détail

Fonctions de plusieurs variables

Fonctions 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 détail

CONCOURS 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) 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 détail

Théorie et codage de l information

Théorie et codage de l information Théorie et codage de l information Mesure quantitative de l information - Chapitre 2 - Information propre et mutuelle Quantité d information propre d un événement Soit A un événement de probabilité P (A)

Plus en détail

Théorie de la Mesure et Intégration

Théorie 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 détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

Continuité et dérivabilité d une fonction

Continuité 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 détail

I. Polynômes de Tchebychev

I. 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 détail

Corrigé de l examen partiel du 30 Octobre 2009 L2 Maths

Corrigé de l examen partiel du 30 Octobre 2009 L2 Maths Corrigé de l examen partiel du 30 Octobre 009 L Maths (a) Rappelons d abord le résultat suivant : Théorème 0.. Densité de Q dans R. QUESTIONS DE COURS. Preuve. Il nous faut nous montrer que tout réel est

Plus en détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - 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 détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab

l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab scilab à l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab Tests de comparaison pour l augmentation du volume de précipitation 13 février 2007 (dernière date de mise à jour) Table

Plus en détail

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA)

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA) Agrégation interne de Mathématiques (et CAEPA Session 2009 Deuxième épreuve écrite 2 NOTATIONS ET PÉLIMINAIES On désigne par le corps des nombres réels et par C le corps des nombres complexes. Si f est

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte 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 détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 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 détail

Approximations variationelles des EDP Notes du Cours de M2

Approximations variationelles des EDP Notes du Cours de M2 Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES 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 détail

n N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t

n N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t 3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes

Plus en détail

République Algérienne Démocratique et Populaire

République Algérienne Démocratique et Populaire République Algérienne Démocratique et Populaire الشعبية الجمهوریة الجزاي ریة الدیمقراطية Ministère de l enseignement Supérieur et de la Recherche Scientifique Université 8 mai 45 Guelma التعليم العالي

Plus en détail

Démonstrations exigibles au bac

Démonstrations exigibles au bac Démonstrations exigibles au bac On donne ici les 11 démonstrations de cours répertoriées comme exigibles dans le programme officiel. Toutes ces démonstrations peuvent donner lieu à une «restitution organisée

Plus en détail

Modèles structurels. Chapitre 4. 4.1 Modèle de Merton

Modèles structurels. Chapitre 4. 4.1 Modèle de Merton Chapitre 4 Modèles structurels 4.1 Modèle de Merton L idée principale de modèles structurels est basée sur l article fondateur de Merton [?], où un défaut est provoqué quand une entreprise n arrive pas

Plus en détail

FIMA, 7 juillet 2005

FIMA, 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 détail

Corrigé Pondichéry 1999

Corrigé Pondichéry 1999 Corrigé Pondichéry 999 EXERCICE. = 8 = i ). D'où les solutions de l'équation : z = + i et z = z = i. a. De manière immédiate : z = z = b. Soit θ la mesure principale de arg z : cos θ = Par suite arg z

Plus en détail

Contrôle de mathématiques

Contrôle de mathématiques Contrôle de mathématiques Correction du Lundi 18 octobre 2010 Exercice 1 Diviseurs (5 points) 1) Trouver dans N tous les diviseurs de 810. D 810 = {1; 2; 3; 5; 6; 9; 10; 15; 18; 27; 30; 45; 54; 81; 90;

Plus en détail

Sur certaines séries entières particulières

Sur 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 détail

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Svetlana Gribkova, Olivier Lopez Laboratoire de Statistique Théorique et Appliquée, Paris 6 4 Mars 2014

Plus en détail

MESURE ET INTÉGRATION EN UNE DIMENSION. Notes de cours

MESURE 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 détail

Une forme générale de la conjecture abc

Une forme générale de la conjecture abc Une forme générale de la conjecture abc Nicolas Billerey avec l aide de Manuel Pégourié-Gonnard 6 août 2009 Dans [Lan99a], M Langevin montre que la conjecture abc est équivalente à la conjecture suivante

Plus en détail

Modélisation des lois multidimensionnelles par la théorie des copules

Modélisation des lois multidimensionnelles par la théorie des copules Modélisation des lois multidimensionnelles par la théorie des copules Grégoire Mercier jeudi 9 novembre 26 Contenu 2 Mesure de dépendance Lien avec les copules 3 Estimation de l information mutuelle Estimation

Plus en détail

JEUX SOUS FORME NORMALE. par. Tristan Tomala

JEUX SOUS FORME NORMALE. par. Tristan Tomala JEUX SOUS FORME NORMALE par Tristan Tomala Table des matières 1. Préliminaires..................................... 5 2. Jeux à somme nulle.............................. 9 3. Jeux à somme non nulle..........................

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire

Plus en détail

X-ENS PSI - 2009 Un corrigé

X-ENS PSI - 2009 Un corrigé X-ENS PSI - 009 Un corrigé Première partie.. Des calculs élémentaires donnent χ A(α) = χ B(α) = X X + et χ A(α)+B(α) = X X + 4α + 4 On en déduit que Sp(A(α)) = Sp(B(α)) = {j, j } où j = e iπ 3 Sp(A(α)

Plus en détail

Suites numériques 3. 1 Convergence et limite d une suite

Suites numériques 3. 1 Convergence et limite d une suite Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n

Plus en détail

Opérateurs non-bornés

Opérateurs non-bornés Master Mathématiques Analyse spectrale Chapitre 4. Opérateurs non-bornés 1 Domaine, graphe et fermeture Soit H un espace de Hilbert. On rappelle que H H est l espace de Hilbert H H muni du produit scalaire

Plus en détail

Correction du Baccalauréat S Amérique du Nord mai 2007

Correction 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 détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad 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 détail

Construction de l'intégrale de Lebesgue

Construction 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 détail

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S)

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S) MA 09 CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 009 COMPOSITION DE MATHÉMATIQUES (Classe terminale S) DURÉE : 5 heures La calculatrice de poche est autorisée, conformément à la réglementation. La clarté et

Plus en détail

Correction du baccalauréat ES/L Métropole 20 juin 2014

Correction 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 détail

ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE

ÉTUDE 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 détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

Chapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme

Chapitre 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 détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat 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 détail

CAPTEURS - CHAINES DE MESURES

CAPTEURS - CHAINES DE MESURES CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,

Plus en détail

Optimisation des fonctions de plusieurs variables

Optimisation des fonctions de plusieurs variables Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice 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 détail

Exo7. Limites de fonctions. 1 Théorie. 2 Calculs

Exo7. 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 détail

Théorie de la mesure. S. Nicolay

Théorie 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 détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 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 détail

Tests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision

Tests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous

Plus en détail

Cours d Analyse. Fonctions de plusieurs variables

Cours d Analyse. Fonctions de plusieurs variables Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........

Plus en détail

Fonctions analytiques

Fonctions analytiques CHAPITRE Fonctions analytiques Les principaux résultats à retenir : soit U un ouvert de C et f : U C. f est analytique sur U si et seulement si f est développable en série entière au voisinage de chaque

Plus en détail

Mesures gaussiennes et espaces de Fock

Mesures 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 détail

3 Approximation de solutions d équations

3 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 détail

Espaces vectoriels et applications

Espaces vectoriels et applications Espaces vectoriels et applications linéaires 1 Définitions On parle d espaces vectoriels sur le corps R ou sur le corps C. Les définitions sont les mêmes en substituant R à C ou vice versa. Définition

Plus en détail

Capes 2002 - Première épreuve

Capes 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 détail

Probabilités III Introduction à l évaluation d options

Probabilités 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 détail

1 La formule de Black et Scholes en t discret

1 La formule de Black et Scholes en t discret Université de Provence Préparation Agrégation Epreuve de Modélisation, Option Proba. Texte : La formule de Black Scholes en Finance Étienne Pardoux 1 La formule de Black et Scholes en t discret On suppose

Plus en détail

Cours d introduction à la théorie de la détection

Cours 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 détail

1.1 Codage de source et test d hypothèse

1.1 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 détail

Introduction aux inégalités

Introduction aux inégalités Introduction aux inégalités -cours- Razvan Barbulescu ENS, 8 février 0 Inégalité des moyennes Faisons d abord la liste des propritétés simples des inégalités: a a et b b a + b a + b ; s 0 et a a sa sa

Plus en détail

Intégration sur des espaces produits

Intégration 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 détail

Correction de l examen de la première session

Correction 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 détail

Leçon 6. Savoir compter

Leçon 6. Savoir compter Leçon 6. Savoir compter Cette leçon est une introduction aux questions de dénombrements. Il s agit, d une part, de compter certains objets mathématiques (éléments, parties, applications,...) et, d autre

Plus en détail

Principales caractéristiques de Mixmod

Principales caractéristiques de Mixmod Modèle de mélanges Principales caractéristiques de Mixmod Gérard Govaert et Gilles Celeux 24 octobre 2006 1 Plan Le modèledemélange Utilisations du modèle de mélange Les algorithmes de Mixmod Modèle de

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme

Plus en détail

MAP 311 - Aléatoire - PC 1. Probabilités

MAP 311 - Aléatoire - PC 1. Probabilités MAP 311 - Aléatoire - PC 1 Emmanuel Gobet Feuille de PC disponible en avance sur le site http://www.cmap.polytechnique.fr/~gobet/. Les exercices marqués ( ) sont corrigés dans le livre Aléatoire de S.

Plus en détail

Précision d un résultat et calculs d incertitudes

Précision d un résultat et calculs d incertitudes Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................

Plus en détail

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader Terminale STMG O. Lader Table des matières 1 Information chiffrée (4s) 4 1.1 Taux d évolution....................................... 6 1.2 indices............................................. 6 1.3 Racine

Plus en détail