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

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 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 gaussiens, dont l étude fait l objet de ce chapitre, constituent un volet incontournable de la statistique. 7.1 Projection de vecteurs gaussiens Toutes les variables aléatoires de cette section sont implicitement définies sur un espace probabilisé (Ω,A,P). A l instar des échantillons, X signifie que la variable aléatoire X suit la loi. Dans le monde des vecteurs gaussiens, orthogonalité et indépendance se confondent. Ce lien entre la géométrie et les probabilités a pour conséquence le théorème ci-dessous, qui constitue la pierre angulaire de toute la statistique des échantillons gaussiens. Dans la suite, les vecteurs considérés sont implicitement des vecteurs colonnes. Théorème [COCHRAN] Soient σ > 0, X N n (0,σ 2 Id) et V 1 V p une décomposition de R n en sous-espaces vectoriels orthogonaux de dimensions r 1,,r p. Alors les projections orthogonales π 1,,π p de X sur 85

2 86 CHAPITRE 7. STATISTIQUE DES ÉCHANTILLONS GAUSSIENS V 1,,V p sont des vecteurs gaussiens indépendants, et pour chaque i = 1,, p: 1 σ 2 π i 2 χ 2 r i. Preuve. Soit (e i j ) i, j une base orthonormée de R n telle que pour chaque i = 1,, p, (e i j ) j=1,,r i est une base orthonormée de V i. Si i = 1,, p, π i = M i X où M i est la matrice symétrique de format n n définie par M i =(e i 1 ei r i )(e i 1 ei r i ). Noter que puisque les vecteurs (e i j ) i, j sont normés et orthogonaux, M i est idempotente et de plus M i M k = 0 pour tout i = k. Montrons tout d abord la première assertion du théorème. Tout d abord, X étant gaussien, toute combinaison linéaire de ses composantes est gaussienne, donc (π 1,,π p ) est gaussien. De plus, la covariance entre les vecteurs aléatoires π i et π k est nulle pour tout i = k. En effet, ces vecteurs aléatoires étant centrés, C(π i,π k )=E(π i Eπ i )(π k Eπ k ) = Eπ i π k, C et E désignant respectivement la matrice de covariance et l espérance sous la probabilité P. Il vient, C(π i,π k )=EM i X(M k X) = M i EXX M k = σ 2 M i M k = 0. Par suite, π 1,,π p sont des vecteurs gaussiens indépendants, d où le premier point. Pour montrer la deuxième assertion du théorème, fixons i = 1,, p et remarquons que comme M i est symétrique et idempotente : π i N n 0,σ 2 M i IdM i = Nn (0,σ 2 M i ). En notant E i la matrice de format n r i définie par E i =(e i 1 ei r i ), on a donc π i σe i N ri (0,Id). Or, si Z est un vecteur aléatoire de loi N ri (0,Id), E i Z 2 = Z 2 χ 2 r i car E i E i = Id, d où le théorème.

3 7.1. PROJECTION DE VECTEURS GAUSSIENS 87 A l instar des échantillons, notons pour une suite X =(X 1,,X n ) de variables aléatoires réelles : X n = 1 n n i=1 X i et S 2 n(x)= 1 n 1 n i=1 (X i X n ) 2. Rappelons (cf section 2.3) que lorsque X =(X 1,,X n ) est un échantillon d une loi produit, X n et S 2 n(x) sont des estimateurs sans biais de la moyenne et de la variance de X 1. Le théorème ci-dessous met en évidence le rôle tenu par la loi de Student T n dans le cadre des modèles gaussiens. Théorème [FISHER] Soient σ > 0, m R et X 1,,X n des variables aléatoires indépendantes et de même loi N (m,σ 2 ). Alors, si X =(X 1,,X n ) : (i) X n et S n (X) sont indépendantes ; (ii) (n 1)S 2 n(x)/σ 2 χ 2 n 1 ; (iii) n( X n m)/s n (X) T n 1. Remarques. Dans ce théorème, noter que (iii) est à comparer à la propriété classique n( X n m)/σ N(0,1) d un échantillon gaussien. De plus, comme S 2 n(x)= 1 n 1 n i=1 X 2 i n 2, X n n 1 S n (X) converge en probabilité vers σ d après la loi des grands nombres. Par suite, le lemme de Slutsky et (iii) montrent que la loi de Student T n converge vers la loi N (0,1) lorsque n. Preuve. Pour simplifier les écritures, considèrons le cas m = 0 et σ = 1. Soit V le sous-espace vectoriel de R n engendré par e =(1 1) et, par abus, X =(X 1 X n ). Le projecteur orthogonal P sur V est la matrice n n dont tous les coefficients valent 1/n. De ce fait, PX = X n e et (Id P)X = X 1 X n. X n X n.

4 88 CHAPITRE 7. STATISTIQUE DES ÉCHANTILLONS GAUSSIENS Comme (Id P)X est la projection orthogonale de X sur l orthogonal de V et X suit la loi N n (0,Id), on déduit du théorème de Cochran (Théorème 7.1.1) que PX est indépendant de (Id P)X, et donc en particulier que X n est indépendant de S 2 n(x), d où (i). De plus, comme V est de dimension 1, (n 1)S 2 n(x)=(id P)X 2 χ 2 n 1 d après le théorème de Cochran, d où (ii). Enfin, (iii) se déduit des résultats précédents, car n X n et (n 1)S 2 n(x) sont indépendantes, et de lois respectives N (0,1) et χ 2 n Tests sur les paramètres d un échantillon Soit (x 1,,x n ) une observation provenant de répétitions indépendantes d une même expérience modélisée par une loi gaussienne sur R. Le modèle statistique qui lui est associé est R n,{n (m,σ 2 ) n } m R,σ>0. L objectif est de construire des tests sur la valeur des paramètres de la loi dont l observation (x 1,,x n ) est issue. Dans la suite de cette section, on note P m,σ = N (m,σ 2 ) n pour m R et σ > 0, et X =(X 1,,X n ) P m,σ. Test de Student On veut construire un test pur de niveau α ]0,1[ dans le problème de test unilatère : H 0 : m m 1 contre H 1 : m < m 1, avec m 1 un réel fixé. En notant comme d habitude, pour une suite de réels u =(u 1,,u n ) : ū n = 1 n n i=1 une région de rejet naturelle pour ce problème de test est de la forme {u R n :ū n s} avec s un seuil à préciser, car H 0 est rejetée lorsque la moyenne u i,

5 7.2. TESTS SUR LES PARAMÈTRES D UN ÉCHANTILLON 89 des observations prend une valeur anormalement petite. Cependant, une telle région de rejet n est pas utilisable car la loi de la statistique X n, en l occurence N (m/n,σ 2 /n), fait intervenir les paramètres inconnus m et σ. On adapte la construction du test à cette contrainte : si t est le quantile d ordre α de la loi T n 1, alors sous H 0 i.e. m m 1 : P m,σ X n m 1 +t S n(x) P m,σ X n m +t S n(x), n n et donc d après le théorème de Fisher (Théorème 7.1.2), P m,σ X n m 1 +t S n(x) n X n m P m,σ n S n (X) t = α, avec égalité lorsque m = m 1. Ainsi, si s n (u) 2 = 1 n 1 n i=1 (u i ū n ) 2, pour la suite de réels u =(u 1,,u n ), le test pur de région de rejet R Student = u R n :ū n m 1 +t s n(u) n, appelé test de Student, est de niveau α. La procédure de décision consiste donc à rejeter H 0 au niveau α lorsque (x 1,,x n ) R Student. Test de Fisher On veut construire un test pur de niveau α ]0,1[ dans le problème de test unilatère de H 0 : σ σ 1 contre H 1 : σ < σ 1, avec σ 1 > 0 fixé. Une région de rejet naturelle pour ce problème de test est de la forme {u R n : s n (u) s} avec s un seuil à préciser, car H 0 est rejetée lorsque la variance empirique prend une valeur anormalement faible. Soit χ le quantile d ordre α de la loi χ 2 n 1. Sous H 0 i.e. σ σ 1 : P m,σ S 2 n(x) χ n 1 σ 1 2 P m,σ Sn(X) 2 χ n 1 σ 2.

6 90 CHAPITRE 7. STATISTIQUE DES ÉCHANTILLONS GAUSSIENS D après le théorème de Fisher (Théorème 7.1.2), P m,σ Sn(X) 2 χ n 1 σ 1 2 P m,σ (n 1) S2 n(x) σ 2 χ = α, avec égalité lorsque σ = σ 1. Le test de Fisher est le test pur de région de rejet R Fisher = u R n : s 2 n(u) < χ n 1 σ 1 2. Ce test est de niveau α, et la procédure de décision consiste à rejeter H 0 au niveau α lorsque (x 1,,x n ) R Fisher. 7.3 Test d égalité des moyennes Soient k jeux indépendants x (1),,x (k) d observations réelles et indépendantes, chaque jeu d observation x (i) étant issu de la répétition n i fois d une même loi gaussienne sur R. Supposons que le modèle associé à ces observations vérifie l hypothèse d homoscédasticité, i.e. les variances des k jeux d observations sont les mêmes. L objectif de cette section est de construire un test portant sur l égalité des moyennes dans ces jeux d observations. Dans la suite, chaque vecteur sera implicitement représenté sous la forme d un vecteur colonne ; en particulier, un échantillon de taille n sera un vecteur colonne de R n. Modèle statistique Le modèle statistique décrivant l expérience ci-dessus est un exemple de modèle linéaire gaussien : R n, N (m 1,σ 2 ) n 1 N(m k,σ 2 ) n k m 1,,m k R,σ>0,. Le modèle linéaire gaussien représente une expérience dont l observation de R n est la somme d un effet moyen et d un bruit gaussien. Il s écrit sous la forme : R n,{n n (µ,σ 2 Id)} µ F,σ>0, avec F un sous-espace vectoriel de R n. En général, ce modèle est écrit sous la forme équivalente X = µ + ε, avec µ F, σ > 0 et ε N n (0,σ 2 Id).

7 7.3. TEST D ÉGALITÉ DES MOYENNES 91 si n = n n k. Nous allons en donner une formulation probabiliste plus habituelle. Soient n 0 = 0 et, pour tout i = 1,,k, I i = n 1 + +n i e j, j=n 1 + +n i 1 +1 où e j est le j-ème vecteur de la base canonique de R n. Si m 1,,m k R, notons alors µ = k i=1 m i I i, et X (1),,X (k) des échantillons gaussiens indépendants, de lois respectives N (m 1,σ 2 ) n 1,,N (m k,σ 2 ) n k, avec σ > 0. Chaque échantillon X (i) étant par convention identifié à un vecteur colonne de R n i, le vecteur aléatoire X de R n défini par X = X (1). X (k) suit donc une loi N n (µ,σ 2 Id). Si E est l espace vectoriel engendré par les vecteurs I 1,,I k, on trouve la représentation probabiliste suivante du modèle statistique considéré : X = µ + ε, avec ε N n (0,σ 2 Id), pour µ E et σ > 0. Problème de test Le problème de test portant sur l égalité des moyennes des jeux d observations x (1),,x (k) se formule ainsi : H 0 : m 1 = = m k contre H 1 : il existe i = j tel que m i = m j. Notons V l espace vectoriel de dimension 1 engendré par le vecteur (1 1) de R n. Avec cette écriture, le problème de test ci-dessus s écrit de manière équivalente : H 0 : µ V contre H 1 : µ E \V. La construction du test s appuie sur cette formulation vectorielle du problème de test.

8 92 CHAPITRE 7. STATISTIQUE DES ÉCHANTILLONS GAUSSIENS Test d égalité des moyennes Dans la suite, u F désigne la projection orthogonale de u R n sur le sousespace vectoriel F de R n. Pour le problème de test de H 0 contre H 1, une région de rejet naturelle est de la forme {u R n : u E u V s} avec s un seuil à préciser, car H 0 est rejetée lorsque les projections orthogonales de x = x (1). x (k) sur E et V sont significativement différentes, chaque observation x (i) étant par convention identifiée à un vecteur colonne de R n i. Le calcul du seuil s est basé sur la loi de la statistique X E X V sous H 0. Par linéarité de la projection orthogonale, X E = µ + ε E car µ E. De plus, sous H 0, X V = µ + ε V car µ V d où X E X V = ε E ε V. Le théorème de Cochran (Théorème 7.1.1) appliqué au vecteur gaussien ε donne, sous H 0 : X E X V 2 σ 2 χ 2 k 1. Il n est donc pas possible d utiliser directement ce test car la loi sous H 0 de la statistique X E X V dépend de la quantité inconnue σ. Adaptons la construction du test défini ci-dessus à cette contrainte. Comme X X E = ε ε E, le théorème de Cochran appliqué au vecteur gaussien ε montre que X X E 2 σ 2 χ 2 n k. Sous H 0, le théorème de Cochran appliqué au vecteur gaussien ε montre de plus que X X E = ε ε E est indépendant de X E X V = ε E ε V. Notons alors, pour u R n : F(u)= u E u H 2 /(k 1) u u E 2 (n k). Sous H 0, la statistique F(X) suit donc une loi de Fisher : F(X) F(k 1,n k).

9 7.4. RÉGRESSION LINÉAIRE MULTIPLE 93 Reprenant l idée de la région de rejet définie plus haut, on note R moy = u R n : F(u) f, avec f le quantile d ordre (1 α) de la loi F(k 1,n k). Si P µ,σ désigne la loi de X, sous H 0, P µ,σ Rmoy = Pµ,σ F(X) f = α. Par suite, R moy définit un test pur de niveau α dans le problème de test de H 0 contre H 1. La procédure de décision consiste à rejeter H 0 au niveau α si x R moy. 7.4 Régression linéaire multiple Pour motiver le modèle de régression linéaire multiple, considérons le cas d une observation (x 1,,x n ), chaque x i représentant la consommation de l individu i = 1,,n. En première approximation, cette quantité est influencée par de nombreuses causes comme par exemple, l âge de l individu, sa catégorie socio-professionnelle, le cours du pétrole... et, pourquoi pas, la température sur la planète Krypton. Dans ce contexte, chaque x i est la somme d une combinaison linéaire de paramètres influents connus, appelés régresseurs, et de perturbations non observables que l on résume par des variables aléatoires réelles gausiennes. Modèle statistique De manière générale, il s agit de modéliser une expérience dont chaque observation est influencée par des régresseurs, représentés par k vecteurs de R n connus notés R 1,,R k. On impose l hypothèse d homoscédasticité du modèle selon laquelle la matrice de variance de la loi dont l observation est issue est proportionnelle à la matrice identité. En désignant par R =(R 1 R k ) la matrice des régresseurs de format n k, le modèle statistique admet la formulation suivante : X = Rθ + ε,. La convention de la section précédente est adoptée : tout vecteur est implicitement représenté comme un vecteur colonne ; en particulier, un échantillon ou une observation de taille n est un vecteur colonne de R n.

10 94 CHAPITRE 7. STATISTIQUE DES ÉCHANTILLONS GAUSSIENS avec ε N n (0,σ 2 Id), θ R k et σ > 0. Il s agit à nouveau (cf section 7.3) d un cas particulier de modèle linéaire gaussien. En réduisant au besoin leur nombre, on peut toujours considérer que les régresseurs sont linéairement indépendants et que, par conséquent, la matrice des régresseurs R est de rang k. Estimation des paramètres Dans ce qui suit, E désigne l espace vectoriel engendré par les vecteurs R 1,,R k. Puisque X E est dans E, il s écrit X E = R ˆθ avec ˆθ un estimateur de θ. On peut décrire explicitement ˆθ en remarquant que, comme X R ˆθ est dans l orthogonal de E, pour tout u R k : Ru,X R ˆθ = 0. Par suite, u,r X R R ˆθ = 0 pour tout u R k et donc R X = R R ˆθ. Puisque R est de rang plein, la matrice R R est inversible, d où ˆθ =(R R) 1 R X. L estimateur ˆθ est sans biais car, si E θ,σ désigne l espérance sous la loi de X : E θ,σ ˆθ = (R R) 1 R E θ,σ X = (R R) 1 R Rθ = θ. Construisons maintenant un estimateur de σ 2. Comme X E = Rθ + ε E, X X E = ε ε E d où X X E 2 σ 2 χn k 2 d après le théorème de Cochran (Théorème 7.1.1). La moyenne de la loi χn k 2 valant n k, l estimateur de σ 2 est donc sans biais. Test de l utilité des régresseurs σˆ 2 = X X E 2 n k

11 7.4. RÉGRESSION LINÉAIRE MULTIPLE 95 Reprenons le problème de modélisation du début de la section : x i, qui représente alors la consommation de l individu i = 1,,n, est influencé par son âge, sa catégorie socio-professionnelle, le cours du pétrole,... et la température sur la planète Krypton. En fait, l influence de la planète Krypton sur la consommation peut l égitimement être contestée... Dans le cadre d une modélisation trop complète, tous les régresseurs n ont pas la même influence, et certains n ont qu une contribution mineure. Nous allons construire un test dans le but de supprimer ces régresseurs à l influence réduite. Pour q = 0,,k 1, on veut tester l utilité des (k q) derniers régresseurs. Cela nous mène au problème de test suivant : H 0 : i = q + 1,,k : θ i = 0 contre H 1 : i = q + 1,,k : θ i = 0. Sous H 0, la matrice des régresseurs utiles R =(R 1 R q ) est la restriction de R à ses q premiers régresseurs. L effet moyen Rθ se trouve alors dans l espace vectoriel V engendré par R 1,,R q, dont la dimension est q car R 1,,R q sont linéairement indépendants par hypothèse. Avec ces notations, le problème de test se réécrit de la manière suivante : H 0 : Rθ V contre H 1 : Rθ E \V. Le principe de construction d un tel test est de rejeter H 0 lorsque les projections orthogonales de l observation sur E et sur V sont significativement différentes. Selon ce principe, une région de rejet naturelle est de la forme {u R n : u E u V s} avec s un seuil à préciser. Mais la loi de X E X V dépend du paramètre inconnu σ. En effet, sous H 0, X V = Rθ + ε V car Rθ V et donc, d après le théorème de Cochran (Théorème 7.1.1) appliqué au vecteur gaussien ε, X E X V 2 = ε E ε V 2 σ 2 χ 2 k q. Or, le théorème de Cochran montre aussi que sous H 0, le vecteur aléatoire ε E ε V = X E X V est indépendant de ε ε E = X X E. Enfin, X X E 2 σ 2 χ 2 n k. En réunissant ces observations, et en notant pour u Rn : F(u)= u E u V 2 /(k q) u u E 2 /(n k), on trouve F(X) F(k q,n k) sous H 0. Si f désigne le quantile d ordre (1 α) de la loi de Fisher F(k q,n k) alors, sous H 0 : P θ,σ F(X) f = α

12 96 CHAPITRE 7. STATISTIQUE DES ÉCHANTILLONS GAUSSIENS avec P θ,σ la loi de X. La région de rejet R regress = u R n : F(u) f nous donne donc un test pur de niveau α pour le problème de test de H 0 contre H 1. Pour l observation x R n, la procédure de décision consiste à rejeter H 0 au niveau α si x R regress.

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

1 Complément sur la projection du nuage des individus

1 Complément sur la projection du nuage des individus TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent

Plus en détail

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.

Exo7. 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 détail

Le Modèle Linéaire par l exemple :

Le Modèle Linéaire par l exemple : Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités

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

Le modèle de régression linéaire

Le modèle de régression linéaire Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

Simulation de variables aléatoires

Simulation 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 détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

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

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

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

Exercices Corrigés Premières notions sur les espaces vectoriels

Exercices Corrigés Premières notions sur les espaces vectoriels Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3

Plus en détail

Formes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions

Formes 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 détail

Calcul fonctionnel holomorphe dans les algèbres de Banach

Calcul 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

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

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

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

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Programmation linéaire et Optimisation. Didier Smets

Programmation linéaire et Optimisation. Didier Smets Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA 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 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

Introduction à la statistique non paramétrique

Introduction 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 détail

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry Outils mathématiques pour le datamining http://wwwelsewarefr/univevry Géométrie Distance Distance entre parties Matrice de variance/covariance Inertie Minimisation Probabilités Définition Théorème de Bayes

Plus en détail

Exo7. Sujets de l année 2008-2009. 1 Partiel. Enoncés et corrections : Sandra Delaunay. Exercice 1 Soit A une matrice 2 2 à coefficients réels.

Exo7. Sujets de l année 2008-2009. 1 Partiel. Enoncés et corrections : Sandra Delaunay. Exercice 1 Soit A une matrice 2 2 à coefficients réels. Enoncés et corrections : Sandra Delaunay Exo7 Sujets de l année 28-29 1 Partiel Exercice 1 Soit A une matrice 2 2 à coefficients réels. On suppose a + c = b + d = 1 et a b 1. ( ) a b c d 1. Soient (x 1,x

Plus en détail

Espaces vectoriels. Université d Orléans Année 2009-2010 Espaces vectoriels et applications linéaires. 2MA01-Licence de Mathématiques

Espaces vectoriels. Université d Orléans Année 2009-2010 Espaces vectoriels et applications linéaires. 2MA01-Licence de Mathématiques Université d Orléans Année 2009-2010 Espaces vectoriels et applications linéaires 2MA01-Licence de Mathématiques Espaces vectoriels Exercice 1 Soit E un espace vectoriel. Pour x, y E et λ, µ K, montrer

Plus en détail

Econométrie de la Finance

Econométrie de la Finance Econométrie de la Finance Florian Ielpo 1 24 février 2008 1 Dexia Group, 7/11 Quai André Citroën, 75015 Paris, Centre d Economie de la Sorbonne - Antenne de Cachan, Avenue du Président Wilson, 94230 Cachan.

Plus en détail

La 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 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 détail

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

M1 IMAT, Année 2009-2010 MODELES LINEAIRES. C.Chouquet Laboratoire de Statistique et Probabilités - Université Paul Sabatier - Toulouse

M1 IMAT, Année 2009-2010 MODELES LINEAIRES. C.Chouquet Laboratoire de Statistique et Probabilités - Université Paul Sabatier - Toulouse M1 IMAT, Année 2009-2010 MODELES LINEAIRES C.Chouquet Laboratoire de Statistique et Probabilités - Université Paul Sabatier - Toulouse Table des matières 1 Préambule 1 1.1 Démarche statistique...................................

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires CHAPITRE I. SIMULATION DE VARIABLES ALÉATOIRES 25 Chapitre I Simulation de variables aléatoires La simulation informatique de variables aléatoires, aussi complexes soient elles, repose sur la simulation

Plus en détail

STATISTIQUES. UE Modélisation pour la biologie

STATISTIQUES. UE Modélisation pour la biologie STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres

Plus en détail

Le produit semi-direct

Le produit semi-direct Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.

Plus en 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

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

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

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

Econométrie Appliquée Séries Temporelles

Econométrie Appliquée Séries Temporelles Chapitre 1. UFR Economie Appliquée. Cours de C. Hurlin 1 U.F.R. Economie Appliquée Maîtrise d Economie Appliquée Cours de Tronc Commun Econométrie Appliquée Séries Temporelles Christophe HURLIN Chapitre

Plus en détail

Un K-espace vectoriel est un ensemble non vide E muni : d une loi de composition interne, c est-à-dire d une application de E E dans E : E E E

Un K-espace vectoriel est un ensemble non vide E muni : d une loi de composition interne, c est-à-dire d une application de E E dans E : E E E Exo7 Espaces vectoriels Vidéo partie 1. Espace vectoriel (début Vidéo partie 2. Espace vectoriel (fin Vidéo partie 3. Sous-espace vectoriel (début Vidéo partie 4. Sous-espace vectoriel (milieu Vidéo partie

Plus en 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

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

Programme de mathématiques TSI1

Programme de mathématiques TSI1 Programme de mathématiques TSI1 1. PROGRAMME DE DÉBUT D ANNÉE I. Nombres complexes et géométrie élémentaire 1. Nombres complexes 1 2. Géométrie élémentaire du plan 3 3. Géométrie élémentaire de l espace

Plus en détail

Annexe Simulations de Monte Carlo

Annexe Simulations de Monte Carlo Annexe Simulations de Monte Carlo Cette annexe présente, de façon pratique, les principales techniques opératoires des simulations de Monte Carlo. Le lecteur souhaitant une présentation plus rigoureuse

Plus en détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-LINEARITE ET RESEAUX NEURONAUX NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail

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

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

Statistique descriptive et prévision

Statistique descriptive et prévision Statistique descriptive et prévision Année 2010/2011 L. Chaumont Contents 1. Étude d une variable 5 1.1. Définitions................................ 5 1.2. Représentations graphiques usuelles................

Plus en détail

Chapitre 3. Mesures stationnaires. et théorèmes de convergence

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 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

aux différences est appelé équation aux différences d ordre n en forme normale.

aux différences est appelé équation aux différences d ordre n en forme normale. MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire

Plus en détail

Introduction à la Statistique Inférentielle

Introduction 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 détail

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - 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 détail

Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions

Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4

Plus en détail

Cours de méthodes de scoring

Cours de méthodes de scoring UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

Economie 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 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 détail

Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits.

Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits. Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits 1 La qualité de la rédaction est un facteur important dans l appréciation

Plus en détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

Baccalauréat 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 détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

La 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 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 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

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat 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 détail

Introduction à la théorie des codes

Introduction à la théorie des codes Introduction à la théorie des codes André Leroy Ces notes doivent servir aux étudiants comme support et ne remplacent pas le cours Section 1 Introduction Section 2 Théorie de l information Section 3 Distance

Plus en détail

TESTS 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 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 détail

Cours de Tests paramétriques

Cours 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 détail

Modélisation et simulation

Modélisation et simulation Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.

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

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.

I. 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 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

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,

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

Table des matières. I Mise à niveau 11. Préface

Table des matières. I Mise à niveau 11. Préface Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3

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

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en 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

Calcul différentiel sur R n Première partie

Calcul différentiel sur R n Première partie Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité

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

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015 Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k

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

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

1 Définition de la non stationnarité

1 Définition de la non stationnarité Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles

Plus en détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

Plus en détail

Chaînes de Markov au lycée

Chaînes de Markov au lycée Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat

Plus en détail

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57 Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation

Plus en détail

Mathématiques appliquées à l informatique

Mathématiques appliquées à l informatique Mathématiques appliquées à l informatique Jean-Etienne Poirrier 15 décembre 2005 Table des matières 1 Matrices 3 1.1 Définition......................................... 3 1.2 Les différents types de matrices.............................

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

Le modèle de Black et Scholes

Le 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 détail

P (X) = (X a) 2 T (X)

P (X) = (X a) 2 T (X) Université Bordeaux I - année 00-0 MHT0 Structures Algébriques Correction du devoir maison Exercice. Soit P (X) Q[X]\Q.. Soit D(X) := pgcd(p (X), P (X)). a) Montrer que si deg D alors il existe α C tel

Plus en détail

Calcul différentiel. Chapitre 1. 1.1 Différentiabilité

Calcul 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 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

Résolution d équations non linéaires

Résolution 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 détail

Méthodes de Simulation

Méthodes 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 détail

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et

Plus en détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

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

Cours de mathématiques - Alternance Gea

Cours de mathématiques - Alternance Gea Cours de mathématiques - Alternance Gea Anne Fredet 11 décembre 005 1 Calcul matriciel Une matrice n m est un tableau de nombres à n lignes( et m colonnes. 1 0 Par exemple, avec n = et m =, on peut considérer

Plus en détail

Introduction à l étude des Corps Finis

Introduction à l étude des Corps Finis Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur

Plus en 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

M2 IAD UE MODE Notes de cours (3)

M2 IAD UE MODE Notes de cours (3) M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de

Plus en détail