La Méthode de Monte Carlo

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "La Méthode de Monte Carlo"

Transcription

1 La Méthode de Mote Carlo Etiee Pardoux UMR 6632 Laboratoire d Aalyse, Topologie, Probabilités et EA 3781 Evolutio Biologique Uiversité de Provece Etiee Pardoux (LATP) Marseille, 13/09/ / 33

2 Cotets 1 Itroductio 2 PILE ou FACE 3 Le mouvemet browie 4 Calcul du prix d ue optio e Fiace 5 Détermiatio d u arbre phylogéétique Etiee Pardoux (LATP) Marseille, 13/09/ / 33

3 Outlie 1 Itroductio 2 PILE ou FACE 3 Le mouvemet browie 4 Calcul du prix d ue optio e Fiace 5 Détermiatio d u arbre phylogéétique Etiee Pardoux (LATP) Marseille, 13/09/ / 33

4 Itroductio La méthode de Mote Carlo est ue méthode umérique, qui utilise des tirages aléatoires pour réaliser le calcul d ue quatité détermiiste. O verra deux applicatios de cette méthode pour 1 le calcul du prix d ue optio e Fiace ; 2 la détermiatio d u arbre phylogéétique à partir de doées géomiques ; et o expliquera les avatages de celle ci. Mais ous allos tout d abord préseter les cocepts de base du Calcul des Probabilités sur l exemple le plus simple : ue suite de tirages à PILE ou FACE, et le mouvemet browie. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

5 Itroductio La méthode de Mote Carlo est ue méthode umérique, qui utilise des tirages aléatoires pour réaliser le calcul d ue quatité détermiiste. O verra deux applicatios de cette méthode pour 1 le calcul du prix d ue optio e Fiace ; 2 la détermiatio d u arbre phylogéétique à partir de doées géomiques ; et o expliquera les avatages de celle ci. Mais ous allos tout d abord préseter les cocepts de base du Calcul des Probabilités sur l exemple le plus simple : ue suite de tirages à PILE ou FACE, et le mouvemet browie. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

6 Itroductio La méthode de Mote Carlo est ue méthode umérique, qui utilise des tirages aléatoires pour réaliser le calcul d ue quatité détermiiste. O verra deux applicatios de cette méthode pour 1 le calcul du prix d ue optio e Fiace ; 2 la détermiatio d u arbre phylogéétique à partir de doées géomiques ; et o expliquera les avatages de celle ci. Mais ous allos tout d abord préseter les cocepts de base du Calcul des Probabilités sur l exemple le plus simple : ue suite de tirages à PILE ou FACE, et le mouvemet browie. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

7 Outlie 1 Itroductio 2 PILE ou FACE 3 Le mouvemet browie 4 Calcul du prix d ue optio e Fiace 5 Détermiatio d u arbre phylogéétique Etiee Pardoux (LATP) Marseille, 13/09/ / 33

8 Formalisatio du jeu de PILE ou FACE Supposos que l o joue fois de suite à PILE ou FACE avec ue pièce telle que Proba(PILE) = p, Proba(FACE) = 1 p, avec u certai 0 < p < 1. O formalise cette expériece aléatoire e défiissat comme suit le résultat du k ième jet { 1, si o obtiet PILE au k ième coup; X k = 0, si l o obtiet FACE au k ième coup. La LOI DES GRANDS NOMBRES du Calcul des Probabilités ous eseige que quad est grad, la proportio de PILE obteus est proche de p, soit X X p. Doc la proportio de PILE obteus e coups peut être utilisé pour estimer p, que ous allos cosidérer comme INCONNU. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

9 Formalisatio du jeu de PILE ou FACE Supposos que l o joue fois de suite à PILE ou FACE avec ue pièce telle que Proba(PILE) = p, Proba(FACE) = 1 p, avec u certai 0 < p < 1. O formalise cette expériece aléatoire e défiissat comme suit le résultat du k ième jet { 1, si o obtiet PILE au k ième coup; X k = 0, si l o obtiet FACE au k ième coup. La LOI DES GRANDS NOMBRES du Calcul des Probabilités ous eseige que quad est grad, la proportio de PILE obteus est proche de p, soit X X p. Doc la proportio de PILE obteus e coups peut être utilisé pour estimer p, que ous allos cosidérer comme INCONNU. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

10 Formalisatio du jeu de PILE ou FACE Supposos que l o joue fois de suite à PILE ou FACE avec ue pièce telle que Proba(PILE) = p, Proba(FACE) = 1 p, avec u certai 0 < p < 1. O formalise cette expériece aléatoire e défiissat comme suit le résultat du k ième jet { 1, si o obtiet PILE au k ième coup; X k = 0, si l o obtiet FACE au k ième coup. La LOI DES GRANDS NOMBRES du Calcul des Probabilités ous eseige que quad est grad, la proportio de PILE obteus est proche de p, soit X X p. Doc la proportio de PILE obteus e coups peut être utilisé pour estimer p, que ous allos cosidérer comme INCONNU. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

11 Loi des Grads Nombres U calcul classique doe [ (X1 ) ] [ + + X 2 (X1 p Esp p = Esp + + X ) ] p 2 [ (X1 ) p 2 ( ) ] X p 2 (par l idépedace des X k ) = Esp + + = 2 Esp[(X 1 p) 2 ] p(1 p) = 0, quad Détail du calcul de Var(X 1 ) = Esp[(X 1 p) 2 ] : Var(X 1 ) = p (1 p) 2 + (1 p) p 2 = p p 2. O a e fait u résultat plus précis. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

12 Loi des Grads Nombres U calcul classique doe [ (X1 ) ] [ + + X 2 (X1 p Esp p = Esp + + X ) ] p 2 [ (X1 ) p 2 ( ) ] X p 2 (par l idépedace des X k ) = Esp + + = 2 Esp[(X 1 p) 2 ] p(1 p) = 0, quad Détail du calcul de Var(X 1 ) = Esp[(X 1 p) 2 ] : Var(X 1 ) = p (1 p) 2 + (1 p) p 2 = p p 2. O a e fait u résultat plus précis. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

13 Loi des Grads Nombres U calcul classique doe [ (X1 ) ] [ + + X 2 (X1 p Esp p = Esp + + X ) ] p 2 [ (X1 ) p 2 ( ) ] X p 2 (par l idépedace des X k ) = Esp + + = 2 Esp[(X 1 p) 2 ] p(1 p) = 0, quad Détail du calcul de Var(X 1 ) = Esp[(X 1 p) 2 ] : Var(X 1 ) = p (1 p) 2 + (1 p) p 2 = p p 2. O a e fait u résultat plus précis. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

14 Théorème de de Moivre Le Théorème de de Moivre (1718) ous dit que ( ( X1 + + X Proba a < p(1 p ) ) p < b 1 b e x2 /2 dx. 2π a E particulier, Proba ( X X ) p p(1 p) > c 2 e x2 /2 dx. 2π c Notos que le membre de droite vaut 0, 05 si c = 1, 96, et 0, 01 si c = 2, 6. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

15 Théorème de de Moivre Le Théorème de de Moivre (1718) ous dit que ( ( X1 + + X Proba a < p(1 p ) ) p < b 1 b e x2 /2 dx. 2π a E particulier, Proba ( X X ) p p(1 p) > c 2 e x2 /2 dx. 2π c Notos que le membre de droite vaut 0, 05 si c = 1, 96, et 0, 01 si c = 2, 6. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

16 Itervalle de cofiace Mais p est INCONNU! Cepedat o sait que pour 0 < p < 1, p(1 p) 1/4, doc p(1 p) 1/2. D où l o déduit (e choisissat par exemple c = 1, 96 ( X X Proba p > 0, 98 ) 0, 05, où o a u petit peu triché, mais c est essetiellemet vrai dès que p > 10. Autremet dit, [ X1 + + X Proba ( p 0, 98, X ]) X 0, , 95. Il y a aucu itervalle boré de IR dot o puisse dire avec certitude qu il cotiet p, mais il y a des itervalles dits itervalle de cofiace, dot o peut dire qu il cotieet p avec ue probabilité très proche de 1. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

17 Itervalle de cofiace Mais p est INCONNU! Cepedat o sait que pour 0 < p < 1, p(1 p) 1/4, doc p(1 p) 1/2. D où l o déduit (e choisissat par exemple c = 1, 96 ( X X Proba p > 0, 98 ) 0, 05, où o a u petit peu triché, mais c est essetiellemet vrai dès que p > 10. Autremet dit, [ X1 + + X Proba ( p 0, 98, X ]) X 0, , 95. Il y a aucu itervalle boré de IR dot o puisse dire avec certitude qu il cotiet p, mais il y a des itervalles dits itervalle de cofiace, dot o peut dire qu il cotieet p avec ue probabilité très proche de 1. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

18 Itervalle de cofiace Mais p est INCONNU! Cepedat o sait que pour 0 < p < 1, p(1 p) 1/4, doc p(1 p) 1/2. D où l o déduit (e choisissat par exemple c = 1, 96 ( X X Proba p > 0, 98 ) 0, 05, où o a u petit peu triché, mais c est essetiellemet vrai dès que p > 10. Autremet dit, [ X1 + + X Proba ( p 0, 98, X ]) X 0, , 95. Il y a aucu itervalle boré de IR dot o puisse dire avec certitude qu il cotiet p, mais il y a des itervalles dits itervalle de cofiace, dot o peut dire qu il cotieet p avec ue probabilité très proche de 1. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

19 Outlie 1 Itroductio 2 PILE ou FACE 3 Le mouvemet browie 4 Calcul du prix d ue optio e Fiace 5 Détermiatio d u arbre phylogéétique Etiee Pardoux (LATP) Marseille, 13/09/ / 33

20 Mouvemet browie Il s agit d ue processus stochastique (i. e. ue foctio aléatoire du temps) qui a été itroduit par le botaiste R. Brow au début du 19ème siècle pour modéliser les mouvemets de grais de polle e suspesio, étudié esuite au 20ème siècle par A. Eistei, M. Smoluchowsky, N. Wieer, P. Lévy,... La particularité du mouvemet browie est que ses accroissemets sot idépedats, ce qui red ses trajectoires très irrégulières (sa vitesse est ifiie e tout poit). Le mouvemet browie est utilisé das de ombreux modèles de phéomèes physiques. Il permet aussi de doer ue expressio de la solutio de l équatio de la chaleur. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

21 Mouvemet browie Il s agit d ue processus stochastique (i. e. ue foctio aléatoire du temps) qui a été itroduit par le botaiste R. Brow au début du 19ème siècle pour modéliser les mouvemets de grais de polle e suspesio, étudié esuite au 20ème siècle par A. Eistei, M. Smoluchowsky, N. Wieer, P. Lévy,... La particularité du mouvemet browie est que ses accroissemets sot idépedats, ce qui red ses trajectoires très irrégulières (sa vitesse est ifiie e tout poit). Le mouvemet browie est utilisé das de ombreux modèles de phéomèes physiques. Il permet aussi de doer ue expressio de la solutio de l équatio de la chaleur. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

22 Mouvemet browie Il s agit d ue processus stochastique (i. e. ue foctio aléatoire du temps) qui a été itroduit par le botaiste R. Brow au début du 19ème siècle pour modéliser les mouvemets de grais de polle e suspesio, étudié esuite au 20ème siècle par A. Eistei, M. Smoluchowsky, N. Wieer, P. Lévy,... La particularité du mouvemet browie est que ses accroissemets sot idépedats, ce qui red ses trajectoires très irrégulières (sa vitesse est ifiie e tout poit). Le mouvemet browie est utilisé das de ombreux modèles de phéomèes physiques. Il permet aussi de doer ue expressio de la solutio de l équatio de la chaleur. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

23 Ue trajectoire typique du mouvemet browie 1 1 Ue trajectoire du mouvemet browie, de t=0 à t = t Etiee Pardoux (LATP) Marseille, 13/09/ / 33

24 Ue trajectoire typique du mouvemet browie Ue trajectoire du mouvemet browie, de t=0 à t = t Etiee Pardoux (LATP) Marseille, 13/09/ / 33

25 Ue trajectoire typique du mouvemet browie Ue trajectoire du mouvemet browie, de t=0 à t = t Etiee Pardoux (LATP) Marseille, 13/09/ / 33

26 Outlie 1 Itroductio 2 PILE ou FACE 3 Le mouvemet browie 4 Calcul du prix d ue optio e Fiace 5 Détermiatio d u arbre phylogéétique Etiee Pardoux (LATP) Marseille, 13/09/ / 33

27 Le modèle de Black Scholes Supposos qu il existe deux actifs accessibles sur le marché : u actif o risqué (ex. placemet à la Caisse d Eparge), dot le prix à l istat t est S 0 (t) = S 0 (0) exp(rt); où r est le taux d itérêt ; u actif risqué (ex. ue actio e bourse), dot le prix à l istat t est S(t) = S(0) exp(λt + σb(t)), où λ est u paramètre de tedace, σ la volatilité, {B(t), t 0} est u mouvemet browie. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

28 Le modèle de Black Scholes Supposos qu il existe deux actifs accessibles sur le marché : u actif o risqué (ex. placemet à la Caisse d Eparge), dot le prix à l istat t est S 0 (t) = S 0 (0) exp(rt); où r est le taux d itérêt ; u actif risqué (ex. ue actio e bourse), dot le prix à l istat t est S(t) = S(0) exp(λt + σb(t)), où λ est u paramètre de tedace, σ la volatilité, {B(t), t 0} est u mouvemet browie. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

29 Optio Ue optio est u cotrat qui doe le droit (pas l obligatio) d acheter (ou de vedre) à l échéace T uités de l actif risqué, à u prix K fixé à l avace. Le but de ce cotrat est de couvrir so acquéreur vis à vis de fluctuatios à la hausse (ou à la baisse) de cet actif risqué, etre l istat préset t = 0 et l échéace t = T. L acquéreur de cette optio doit payer ue prime au momet de la sigature du cotrat. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

30 Optio Ue optio est u cotrat qui doe le droit (pas l obligatio) d acheter (ou de vedre) à l échéace T uités de l actif risqué, à u prix K fixé à l avace. Le but de ce cotrat est de couvrir so acquéreur vis à vis de fluctuatios à la hausse (ou à la baisse) de cet actif risqué, etre l istat préset t = 0 et l échéace t = T. L acquéreur de cette optio doit payer ue prime au momet de la sigature du cotrat. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

31 Optio Ue optio est u cotrat qui doe le droit (pas l obligatio) d acheter (ou de vedre) à l échéace T uités de l actif risqué, à u prix K fixé à l avace. Le but de ce cotrat est de couvrir so acquéreur vis à vis de fluctuatios à la hausse (ou à la baisse) de cet actif risqué, etre l istat préset t = 0 et l échéace t = T. L acquéreur de cette optio doit payer ue prime au momet de la sigature du cotrat. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

32 Formule de Black Scholes Le juste prix de l optio (par uité d actif à acheter ou à vedre) est doé par la célèbre formule de Black Scholes (1972) Das le cas d ue optio d achat (call e Aglais) [( ) σ2 [σb(t ) C = Esp e 2 T ] e rt K + ]. Das le cas d ue optio de vete (put e Aglais) [( ) ] P = Esp e rt σ2 [σb(t ) K e 2 T ]. + O va cosidérer ci dessous le cas d ue optio de vete. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

33 Formule de Black Scholes Le juste prix de l optio (par uité d actif à acheter ou à vedre) est doé par la célèbre formule de Black Scholes (1972) Das le cas d ue optio d achat (call e Aglais) [( ) σ2 [σb(t ) C = Esp e 2 T ] e rt K + ]. Das le cas d ue optio de vete (put e Aglais) [( ) ] P = Esp e rt σ2 [σb(t ) K e 2 T ]. + O va cosidérer ci dessous le cas d ue optio de vete. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

34 Formule de Black Scholes Le juste prix de l optio (par uité d actif à acheter ou à vedre) est doé par la célèbre formule de Black Scholes (1972) Das le cas d ue optio d achat (call e Aglais) [( ) σ2 [σb(t ) C = Esp e 2 T ] e rt K + ]. Das le cas d ue optio de vete (put e Aglais) [( ) ] P = Esp e rt σ2 [σb(t ) K e 2 T ]. + O va cosidérer ci dessous le cas d ue optio de vete. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

35 Calcul du prix d ue optio de vete par Mote Carlo Das le cas ci dessus, o a ue formule explicite pour la valeur P d ue optio de vete, e foctio des paramètres r, σ, T et K. Das la figure ci dessous, o compare la valeur exacte avec le résultat du calcul de Mote Carlo, et les bores de l itervalle de cofiace, e foctio du ombre N de simulatios. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

36 Calcul du prix d ue optio de vete par Mote Carlo Das le cas ci dessus, o a ue formule explicite pour la valeur P d ue optio de vete, e foctio des paramètres r, σ, T et K. Das la figure ci dessous, o compare la valeur exacte avec le résultat du calcul de Mote Carlo, et les bores de l itervalle de cofiace, e foctio du ombre N de simulatios. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

37 Résultat umérique Etiee Pardoux (LATP) Marseille, 13/09/ / 33

38 Optio paier Supposos cette fois que l o dispose sur le marché de 10 actifs risqués, chacu fluctuat e foctio d u mouvemet browie différet, avec ue volatilité propre. Cosidéros ue optio de vete sur u paier de ces 10 actios, qui cosiste e u cotrat aux termes duquel le vedeur de l actio s egage à vous acheter à l échéace T au prix fixé K a i uités de l actio uméro i, de i = 1 à i = 10. La formule de Black Scholes doe comme prix ( ) 10 P = Esp e rt K a i e [σ i B i (T ) σ 2 i 2 T ]. i=1 + Etiee Pardoux (LATP) Marseille, 13/09/ / 33

39 Optio paier Supposos cette fois que l o dispose sur le marché de 10 actifs risqués, chacu fluctuat e foctio d u mouvemet browie différet, avec ue volatilité propre. Cosidéros ue optio de vete sur u paier de ces 10 actios, qui cosiste e u cotrat aux termes duquel le vedeur de l actio s egage à vous acheter à l échéace T au prix fixé K a i uités de l actio uméro i, de i = 1 à i = 10. La formule de Black Scholes doe comme prix ( ) 10 P = Esp e rt K a i e [σ i B i (T ) σ 2 i 2 T ]. i=1 + Etiee Pardoux (LATP) Marseille, 13/09/ / 33

40 Optio paier Supposos cette fois que l o dispose sur le marché de 10 actifs risqués, chacu fluctuat e foctio d u mouvemet browie différet, avec ue volatilité propre. Cosidéros ue optio de vete sur u paier de ces 10 actios, qui cosiste e u cotrat aux termes duquel le vedeur de l actio s egage à vous acheter à l échéace T au prix fixé K a i uités de l actio uméro i, de i = 1 à i = 10. La formule de Black Scholes doe comme prix ( ) 10 P = Esp e rt K a i e [σ i B i (T ) σ 2 i 2 T ]. i=1 + Etiee Pardoux (LATP) Marseille, 13/09/ / 33

41 Résultat umérique Etiee Pardoux (LATP) Marseille, 13/09/ / 33

42 Commetaire Das le cas de l optio paier, o a pas de formule excate pour le calcul du prix de l optio. Ue méthode umérique basée sur ue équatio aux dérivées partielles est totalemet impossible à mettre e oeuvre : il faudrait résoudre ue équatio e dimesio d espace égale à dix! Das cet exemple, la méthode de Mote Carlo motre toute sa puissace et sa souplesse d utilisatio. Elle est quasimet aussi facile à programmer que la méthode das le cas d ue seule actio, et demade seulemet u peu plus de temps de calcul et d espace mémoire. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

43 Commetaire Das le cas de l optio paier, o a pas de formule excate pour le calcul du prix de l optio. Ue méthode umérique basée sur ue équatio aux dérivées partielles est totalemet impossible à mettre e oeuvre : il faudrait résoudre ue équatio e dimesio d espace égale à dix! Das cet exemple, la méthode de Mote Carlo motre toute sa puissace et sa souplesse d utilisatio. Elle est quasimet aussi facile à programmer que la méthode das le cas d ue seule actio, et demade seulemet u peu plus de temps de calcul et d espace mémoire. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

44 Outlie 1 Itroductio 2 PILE ou FACE 3 Le mouvemet browie 4 Calcul du prix d ue optio e Fiace 5 Détermiatio d u arbre phylogéétique Etiee Pardoux (LATP) Marseille, 13/09/ / 33

45 U problème modèle O sait que les trois espèces Homme Chimpazé Gorille sot très proches (plus proches etre elles que de touters les autres expèces). O voudrait décider laquelle de ces trois formes d arbre correspod à la réalité de l histoire des espèces : Gorille Homme Homme Chimp Gorille Chimp Homme Chimp Gorille Etiee Pardoux (LATP) Marseille, 13/09/ / 33

46 U problème modèle O sait que les trois espèces Homme Chimpazé Gorille sot très proches (plus proches etre elles que de touters les autres expèces). O voudrait décider laquelle de ces trois formes d arbre correspod à la réalité de l histoire des espèces : Gorille Homme Homme Chimp Gorille Chimp Homme Chimp Gorille Etiee Pardoux (LATP) Marseille, 13/09/ / 33

47 Les doées Pour cela, o compare des portios des géomes de ces trois espèces, préalablemet aligées. Ue méthode statistique de plus e plus prisée pour détermier le bo arbre phylogéétique est la méthode de Bayes, qui cosiste à se doer ue probabilité a priori sur les trois formes d arbre possibles, par exemple 1/3 1/3 1/3, et à calculer, à l aide de la formule de Bayes ue probabilité dite a posteriori, c est à dire preat e compte les doées. Pour i = 1, 2, 3, Proba (Arbre i) Proba (Doées Arbre i) Proba (Arbre i Doées) = Proba (Doées) Proba (Arbre i) Proba (Doées Arbre i) = 3 j=1 Proba (Arbre j) Proba (Doées Arbre j) Etiee Pardoux (LATP) Marseille, 13/09/ / 33

48 Les doées Pour cela, o compare des portios des géomes de ces trois espèces, préalablemet aligées. Ue méthode statistique de plus e plus prisée pour détermier le bo arbre phylogéétique est la méthode de Bayes, qui cosiste à se doer ue probabilité a priori sur les trois formes d arbre possibles, par exemple 1/3 1/3 1/3, et à calculer, à l aide de la formule de Bayes ue probabilité dite a posteriori, c est à dire preat e compte les doées. Pour i = 1, 2, 3, Proba (Arbre i) Proba (Doées Arbre i) Proba (Arbre i Doées) = Proba (Doées) Proba (Arbre i) Proba (Doées Arbre i) = 3 j=1 Proba (Arbre j) Proba (Doées Arbre j) Etiee Pardoux (LATP) Marseille, 13/09/ / 33

49 Les doées Pour cela, o compare des portios des géomes de ces trois espèces, préalablemet aligées. Ue méthode statistique de plus e plus prisée pour détermier le bo arbre phylogéétique est la méthode de Bayes, qui cosiste à se doer ue probabilité a priori sur les trois formes d arbre possibles, par exemple 1/3 1/3 1/3, et à calculer, à l aide de la formule de Bayes ue probabilité dite a posteriori, c est à dire preat e compte les doées. Pour i = 1, 2, 3, Proba (Arbre i) Proba (Doées Arbre i) Proba (Arbre i Doées) = Proba (Doées) Proba (Arbre i) Proba (Doées Arbre i) = 3 j=1 Proba (Arbre j) Proba (Doées Arbre j) Etiee Pardoux (LATP) Marseille, 13/09/ / 33

50 Calcul de la formule de Bayes Das cette formule, Proba(Arbre i) est la probabilité a priori que l o s est doée (ici (1/3, 1/3, 1/3)). Proba (Doées Arbre i) est la probabilité d observer les doées, si i est la forme de l arbre. Cette quatité se calcule à l aide d u modèle probabiliste d évolutio des géomes. E pratique, la somme qui apparaît au déomiateur est ue somme sur u ombre gigatesque de termes! E effet Etiee Pardoux (LATP) Marseille, 13/09/ / 33

51 Calcul de la formule de Bayes Das cette formule, Proba(Arbre i) est la probabilité a priori que l o s est doée (ici (1/3, 1/3, 1/3)). Proba (Doées Arbre i) est la probabilité d observer les doées, si i est la forme de l arbre. Cette quatité se calcule à l aide d u modèle probabiliste d évolutio des géomes. E pratique, la somme qui apparaît au déomiateur est ue somme sur u ombre gigatesque de termes! E effet Etiee Pardoux (LATP) Marseille, 13/09/ / 33

52 Calcul de la formule de Bayes Das cette formule, Proba(Arbre i) est la probabilité a priori que l o s est doée (ici (1/3, 1/3, 1/3)). Proba (Doées Arbre i) est la probabilité d observer les doées, si i est la forme de l arbre. Cette quatité se calcule à l aide d u modèle probabiliste d évolutio des géomes. E pratique, la somme qui apparaît au déomiateur est ue somme sur u ombre gigatesque de termes! E effet Etiee Pardoux (LATP) Marseille, 13/09/ / 33

53 Ue difficulté O traite e gééral beaucoup plus que 3 espèces, et le ombre d arbres possibles croît de faço dramatique avec le ombre d espèces cosidérées. Nombre d espèces Nombre d arbres possibles 7 > > , Il e suffit pas de sommer sur les formes possibles d arbre, il faut aussi predre e compte les logueurs des braches, et les paramètres du modèle probabiliste d évolutio. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

54 Ue difficulté O traite e gééral beaucoup plus que 3 espèces, et le ombre d arbres possibles croît de faço dramatique avec le ombre d espèces cosidérées. Nombre d espèces Nombre d arbres possibles 7 > > , Il e suffit pas de sommer sur les formes possibles d arbre, il faut aussi predre e compte les logueurs des braches, et les paramètres du modèle probabiliste d évolutio. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

55 Commet simuler sous ue probabilité impossible à calculer? Pour calculer la probabilité a posteriori par Mote Carlo, il faudrait réaliser des tirages aléatoires sous ue probabilité doée par la formule de Bayes. Seul le umérateur de cette formule peut être calculé. Autremet dit, o voudrait réaliser des tirages aléatoires sous ue probabilité que l o coaît seulemet à ue costate de ormalisatio près, que l o est icapable de calculer. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

56 Commet simuler sous ue probabilité impossible à calculer? Pour calculer la probabilité a posteriori par Mote Carlo, il faudrait réaliser des tirages aléatoires sous ue probabilité doée par la formule de Bayes. Seul le umérateur de cette formule peut être calculé. Autremet dit, o voudrait réaliser des tirages aléatoires sous ue probabilité que l o coaît seulemet à ue costate de ormalisatio près, que l o est icapable de calculer. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

57 Commet simuler sous ue probabilité impossible à calculer? Pour calculer la probabilité a posteriori par Mote Carlo, il faudrait réaliser des tirages aléatoires sous ue probabilité doée par la formule de Bayes. Seul le umérateur de cette formule peut être calculé. Autremet dit, o voudrait réaliser des tirages aléatoires sous ue probabilité que l o coaît seulemet à ue costate de ormalisatio près, que l o est icapable de calculer. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

58 Mote Carlo par chaîe de Markov La solutio à ce problème a été ivetée par des Physicies dès 1953, et c est grâce à cette ivetio que la statistique bayésiee est utilisable aujourd hui! Ue chaîe de Markov est ue suite de v. a. {X } de la forme X +1 = f (X, Y ), où les Y formet ue suite idépedate. Sous des hypothèses très faibles, ue chaîe de Markov possède ue uique probablité ivariate π, et la suite {X } satisfait ue loi des grads ombres : g(x 1 ) + + g(x ) x g(x)π(x) Efi, il est pas difficile de choisir la boe chaîe de Markov, si l o coaît π à ue costate multiplicative près. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

59 Mote Carlo par chaîe de Markov La solutio à ce problème a été ivetée par des Physicies dès 1953, et c est grâce à cette ivetio que la statistique bayésiee est utilisable aujourd hui! Ue chaîe de Markov est ue suite de v. a. {X } de la forme X +1 = f (X, Y ), où les Y formet ue suite idépedate. Sous des hypothèses très faibles, ue chaîe de Markov possède ue uique probablité ivariate π, et la suite {X } satisfait ue loi des grads ombres : g(x 1 ) + + g(x ) x g(x)π(x) Efi, il est pas difficile de choisir la boe chaîe de Markov, si l o coaît π à ue costate multiplicative près. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

60 Mote Carlo par chaîe de Markov La solutio à ce problème a été ivetée par des Physicies dès 1953, et c est grâce à cette ivetio que la statistique bayésiee est utilisable aujourd hui! Ue chaîe de Markov est ue suite de v. a. {X } de la forme X +1 = f (X, Y ), où les Y formet ue suite idépedate. Sous des hypothèses très faibles, ue chaîe de Markov possède ue uique probablité ivariate π, et la suite {X } satisfait ue loi des grads ombres : g(x 1 ) + + g(x ) x g(x)π(x) Efi, il est pas difficile de choisir la boe chaîe de Markov, si l o coaît π à ue costate multiplicative près. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

61 Mote Carlo par chaîe de Markov La solutio à ce problème a été ivetée par des Physicies dès 1953, et c est grâce à cette ivetio que la statistique bayésiee est utilisable aujourd hui! Ue chaîe de Markov est ue suite de v. a. {X } de la forme X +1 = f (X, Y ), où les Y formet ue suite idépedate. Sous des hypothèses très faibles, ue chaîe de Markov possède ue uique probablité ivariate π, et la suite {X } satisfait ue loi des grads ombres : g(x 1 ) + + g(x ) x g(x)π(x) Efi, il est pas difficile de choisir la boe chaîe de Markov, si l o coaît π à ue costate multiplicative près. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

62 L algorithme de Metropolis Hastigs Plus précisémet, état doée ue loi de trasitio markoviee de la forme q(x, y) = Proba (Y +1 = y Y = x), pour passer de X à X +1, o simule d abord ue trasitio selo q(x, y), et si cette trasitio cosiste à faire passer de x à y, o accepte cette trasitio avec la probabilité π(y)q(y, x) mi{ π(x)q(x, y), 1}, (si o la refuse, o pose X +1 = X ). Notos que la coaissace des π(x) à ue costate multiplicative près suffit. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

63 L algorithme de Metropolis Hastigs Plus précisémet, état doée ue loi de trasitio markoviee de la forme q(x, y) = Proba (Y +1 = y Y = x), pour passer de X à X +1, o simule d abord ue trasitio selo q(x, y), et si cette trasitio cosiste à faire passer de x à y, o accepte cette trasitio avec la probabilité π(y)q(y, x) mi{ π(x)q(x, y), 1}, (si o la refuse, o pose X +1 = X ). Notos que la coaissace des π(x) à ue costate multiplicative près suffit. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

64 L algorithme de Metropolis Hastigs Plus précisémet, état doée ue loi de trasitio markoviee de la forme q(x, y) = Proba (Y +1 = y Y = x), pour passer de X à X +1, o simule d abord ue trasitio selo q(x, y), et si cette trasitio cosiste à faire passer de x à y, o accepte cette trasitio avec la probabilité π(y)q(y, x) mi{ π(x)q(x, y), 1}, (si o la refuse, o pose X +1 = X ). Notos que la coaissace des π(x) à ue costate multiplicative près suffit. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

65 Avatages et difficultés de cette méthode U gros avatage de la méthode bayésiee de détermiatio d u arbre phylogéétique est que l o obtiet o pas u uique arbre, sas savoir quelle cofiace o peut attribuer à ce résultat, mais ue loi de probabilité sur les arbres. Par exemple, das le cas des 3 espèces Homme, Gorille, Chimpazé, o déduit des doées la loi a posteriori 2 10, 1 10, 7 10, ce qui idique quelle cofiace o peut avoir das la décisio de décider que c est le 3ème arbre qui correspod à l histoire des espèces. Mais d u autre coté, o maque de résultats qui doet des règles précises quad à la faço de meer les calculs, e particulier combie de fois il faut itérer la simulatio de la chaîe de Markov X. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

66 Avatages et difficultés de cette méthode U gros avatage de la méthode bayésiee de détermiatio d u arbre phylogéétique est que l o obtiet o pas u uique arbre, sas savoir quelle cofiace o peut attribuer à ce résultat, mais ue loi de probabilité sur les arbres. Par exemple, das le cas des 3 espèces Homme, Gorille, Chimpazé, o déduit des doées la loi a posteriori 2 10, 1 10, 7 10, ce qui idique quelle cofiace o peut avoir das la décisio de décider que c est le 3ème arbre qui correspod à l histoire des espèces. Mais d u autre coté, o maque de résultats qui doet des règles précises quad à la faço de meer les calculs, e particulier combie de fois il faut itérer la simulatio de la chaîe de Markov X. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

67 Avatages et difficultés de cette méthode U gros avatage de la méthode bayésiee de détermiatio d u arbre phylogéétique est que l o obtiet o pas u uique arbre, sas savoir quelle cofiace o peut attribuer à ce résultat, mais ue loi de probabilité sur les arbres. Par exemple, das le cas des 3 espèces Homme, Gorille, Chimpazé, o déduit des doées la loi a posteriori 2 10, 1 10, 7 10, ce qui idique quelle cofiace o peut avoir das la décisio de décider que c est le 3ème arbre qui correspod à l histoire des espèces. Mais d u autre coté, o maque de résultats qui doet des règles précises quad à la faço de meer les calculs, e particulier combie de fois il faut itérer la simulatio de la chaîe de Markov X. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

68 Coclusio Autremet dit, les diverses scieces (e particulier la Biologie) ot besoi de mathématicies (vous demai?) qui fasset avacer la coaissace des algorithmes de type Mote Carlo, e particulier Mote Carlo par chaîes de Markov. C est u exemple de plus du fait que les progrès des ordiateurs egedret des besois de progrès e mathématique. Merci pour votre attetio. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

69 Coclusio Autremet dit, les diverses scieces (e particulier la Biologie) ot besoi de mathématicies (vous demai?) qui fasset avacer la coaissace des algorithmes de type Mote Carlo, e particulier Mote Carlo par chaîes de Markov. C est u exemple de plus du fait que les progrès des ordiateurs egedret des besois de progrès e mathématique. Merci pour votre attetio. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

70 Coclusio Autremet dit, les diverses scieces (e particulier la Biologie) ot besoi de mathématicies (vous demai?) qui fasset avacer la coaissace des algorithmes de type Mote Carlo, e particulier Mote Carlo par chaîes de Markov. C est u exemple de plus du fait que les progrès des ordiateurs egedret des besois de progrès e mathématique. Merci pour votre attetio. Etiee Pardoux (LATP) Marseille, 13/09/ / 33

PROJET DE MONTE CARLO SUJET 1: LE PRICING

PROJET DE MONTE CARLO SUJET 1: LE PRICING LE Age KHOURI Nadie M MMD PROJE DE MONE ARLO SUJE : LE PRIING Selim ZOUGHLAMI QUESION : Supposos d abord que X est u mouvemet browie W t G([ 0, ]) Alors W0 G( 0 ) suit ue loi N(0,0) et doc W 0ps 0 Esuite,

Plus en détail

Limites des Suites numériques

Limites des Suites numériques Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet

Plus en détail

Correction Bac ES France juin 2010

Correction Bac ES France juin 2010 Correctio Bac ES Frace jui 010 Exercice 1 (4 poits) (Commu à tous les cadidats) Pour ue meilleure compréhesio, les réposes serot justifiées das ce corrigé. Questio 1 Le ombre 3 est solutio de l équatio

Plus en détail

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités coditioelles - Suites géométriques - foctios epoetielles Calculatrice autorisée Termiale ES123 Eercice 1 : 5 poits Partie A : Ue agece de locatio

Plus en détail

Dénombrement - Combinatoire Cours

Dénombrement - Combinatoire Cours Déombremet - Combiatoire Cours La combiatoire (ou aalyse combiatoire) étudie commet compter des objets. Elle fourit des méthodes de déombremet particulièremet utiles e probabilité. U des pricipaux exemples

Plus en détail

Mots de longueur donnée à base de P lettres, et fonction génératrice

Mots de longueur donnée à base de P lettres, et fonction génératrice Mots de logueur doée à base de lettres, et foctio géératrice Cosidéros les mots de logueur à base de lettres, avec etier positif. ) Combie existe-t-il de tels mots? La première lettre du mot est l ue des

Plus en détail

Estimations et intervalles de confiance

Estimations et intervalles de confiance Estimatios et itervalles de cofiace Estimatios et itervalles de cofiace Résumé Cette vigette itroduit la otio d estimateur et ses propriétés : covergece, biais, erreur quadratique, avat d aborder l estimatio

Plus en détail

capital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...

capital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3... Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1

Plus en détail

Fluctuation et estimation

Fluctuation et estimation Fluctuatio et estimatio Table des matières I Idetificatio de la situatio........................................ II Échatilloage, itervalle de fluctuatio asymptotique........................ II. Itervalle

Plus en détail

TS Intervalle de fluctuation et estimation Cours

TS Intervalle de fluctuation et estimation Cours Aée 2013/2014 TS Itervalle de fluctuatio et estimatio Cours est u etier aturel o ul et p est u réel de l itervalle 0 ; 1. I Itervalle de fluctuatio Cotexte : Das ue populatio, la proportio d idividus présetat

Plus en détail

MA401 : Probabilités TD3

MA401 : Probabilités TD3 MA : Probabilités Exercice Ue compagie aériee étudie la réservatio sur l u de ses vols. Ue place doée est libre le jour d ouverture de la réservatio et so état évolue chaque jour jusqu à la fermeture de

Plus en détail

Les Nombres Parfaits.

Les Nombres Parfaits. Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie

Plus en détail

BACCALAURÉAT TECHNOLOGIQUE STG. Spécialités : Mercatique, Comptabilité et Finance d Entreprise, Gestion des systèmes d information.

BACCALAURÉAT TECHNOLOGIQUE STG. Spécialités : Mercatique, Comptabilité et Finance d Entreprise, Gestion des systèmes d information. BACCALAURÉAT TECHNOLOGIQUE STG Spécialités : Mercatique, Comptabilité et Fiace d Etreprise, Gestio des systèmes d iformatio. SESSION 2012 ÉPREUVE DE MATHÉMATIQUES Mercatique, comptabilité et fiace d etreprise

Plus en détail

Chapitre 4 Lois discrètes

Chapitre 4 Lois discrètes Chapitre 4 Lois discrètes 1. Loi de Beroulli Ue variable aléatoire X est ue variable de Beroulli si elle e pred que les valeurs 0 et 1 avec des probabilités o ulles. P(X = 1) = p, P(X = 0) = 1 p = q, avec

Plus en détail

Devoir de statistiques: CORRIGE

Devoir de statistiques: CORRIGE CPP - la prépa des INP ( ème aée). Bordeaux, 6/04/04. Devoir de statistiques: CORRIGE durée h Doées: O rappelle que si Z suit ue loi N (0, ), o a P(Z.96) 0, 975 et P(Z.65) 0, 95. Exercice. θ et O cosidère

Plus en détail

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h Etrée à Scieces Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h A P M E P Les calculatrices sot autorisées Exercice Vrai-Faux 8 poits Pour chacue des affirmatios suivates,

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 Logique, esembles et applicatios Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I :

Plus en détail

Sciences Po Option Mathématiques

Sciences Po Option Mathématiques Scieces Po Optio Mathématiques Epreue 3 Vrai-Fau Questio FAUX La suite ( u ) état géométrique de raiso différete de, o a classiquemet, pour tout etier aturel : où q est la raiso de la suite ( u ) Ici,

Plus en détail

Chap. 5 : Les intérêts (Les calculs financiers)

Chap. 5 : Les intérêts (Les calculs financiers) Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie

Plus en détail

Agrégation externe de mathématiques, session 2008 Épreuve de modélisation, option A : Probabilités et Statistiques

Agrégation externe de mathématiques, session 2008 Épreuve de modélisation, option A : Probabilités et Statistiques Agrégatio extere de mathématiques, sessio 2008 Épreuve de modélisatio, optio (public 2008) Mots clefs : Loi des grads ombres, espace des polyômes, estimatio o-paramétrique Il est rappelé que le jury exige

Plus en détail

On obtient la formule de Pascal en prenant le cardinal :

On obtient la formule de Pascal en prenant le cardinal : Colles du 3 ovembre 014 Solutio de la questio de cours 1. (i) Soit E u esemble de cardial. L esemble (E) peut alors être partitioé comme suit : (E) (E), où (E) est l esemble des parties de E de cardial.

Plus en détail

Qu est-ce qu un bon énoncé de bac? Analyse de l exercice de spécialité de TS de Pondichéry 2013 Jacques Lubczanski

Qu est-ce qu un bon énoncé de bac? Analyse de l exercice de spécialité de TS de Pondichéry 2013 Jacques Lubczanski Dossier : Actualité de l Aalyse e Lycée 447 Qu est-ce qu u bo éocé de bac? Aalyse de l exercice de spécialité de TS de Podichéry 2013 Jacques Lubczaski «Podichéry est tombé!» : cela ressemble à l aoce

Plus en détail

Questions pour un champion en ligne

Questions pour un champion en ligne Questios pour u champio e lige Le jeu télévisé QPUC préseté sur FR3 et aimé par Julie Lepers existe aussi e variate «e lige». U jeu «e lige» se déroule aisi : Six iterautes disputet ue première mache dite

Plus en détail

CHAINES DE MARKOV. de variables aléatoires définies sur le même espace probabilisé, TPà, valeurs dans un ensemble fini E telles que, pour tout n tout

CHAINES DE MARKOV. de variables aléatoires définies sur le même espace probabilisé, TPà, valeurs dans un ensemble fini E telles que, pour tout n tout COURS CHAIES DE MARKOV Défiitio O appelle chaîe de Marov toute suite de variables aléatoires défiies sur le même espace probabilisé, TPà, valeurs das u esemble fii E telles que, pour tout tout i, i,, i

Plus en détail

Intervalles de fluctuation et de confiance

Intervalles de fluctuation et de confiance Chapitre 9 Itervalles de fluctuatio et de cofiace Sommaire 9.1 Itervalle de fluctuatio................................... 157 9.1.1 Quelques rappels..................................... 157 9.1.2 Itervalle

Plus en détail

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6 Corrigés TD Chapitre : Variables aléatoires sur u uivers fii Exercice : Soit X la VAR défiie par le tableau suivat : x i - - 0 p 6 4 6 4 6 i O ote Y = X ) Détermier la loi cooite de X et Y ) Détermier

Plus en détail

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques Variables discrètes fiies - Exercices pratiques Exercice - Loi d u dé truqué - L2/ECS -. X pred ses valeurs das {,..., 6}. Par hypothèse, il existe u réel a tel que P (X k) ka. Maiteat, puisque P X est

Plus en détail

FLUCTUATION ET ESTIMATION

FLUCTUATION ET ESTIMATION 1 FLUCTUATION ET ESTIMATION Le mathématicie d'origie russe Jerzy Neyma (1894 ; 1981), ci-cotre, pose les fodemets d'ue approche ouvelle des statistiques. Avec l'aglais Ego Pearso, il développe la théorie

Plus en détail

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS CHAPITRE 4 MATRICES ET SUITES 1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS 11/ Présetatio et modélisatio O cosidère u système ui peut se trouver soit das u état A, soit das u état, et

Plus en détail

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures)

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures) Exercice 1 (5 poits) Bac Blac Termiale L - Février 015 Épreuve de Spécialité Mathématiques (durée 3 heures) Questio 1 : La populatio d'ue ville baisse de 1 % tous les as pedat 10 as. Elle est doc multipliée

Plus en détail

Exercices - Lois discrètes usuelles : corrigé

Exercices - Lois discrètes usuelles : corrigé www.almohadiss.com Exercice - Avio - L2/Prépa Hec - O ote X la variable aléatoire du ombre de moteurs de A qui tombet e pae, et Y la variable aléatoire du ombre de moteurs de B qui tombet e pae. X suit

Plus en détail

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1 Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a

Plus en détail

FONCTION EXPONENTIELLE

FONCTION EXPONENTIELLE FONCTION EXPONENTIELLE I. RAPPELS : METHODE D EULER Si f est ue foctio dérivable e x 0, o sait que f(x 0 + h) a pour approximatio affie f(x 0 ) + f '(x 0 )h O peut doc sur de "petits" itervalles, approcher

Plus en détail

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1)

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1) Corrigé ESSEC III 008 par Pierre Veuillez Das certaies situatios paris sportifs, ivestissemets fiaciers..., o est ameé à miser de l arget de faço répétée sur des paris à espérace favorable. O se propose

Plus en détail

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes. Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités

Plus en détail

PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION

PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION Des PROBABILITES à la STATISTIQUE - APPLICATIONS - Jea-Marie MARION 1 STATISTIQUE DESCRIPTIVE (décrire ue populatio à l aide de caractéristiques et graphiques) STATISTIQUE INFERENTIELLE (étedre des résultats

Plus en détail

ANOVA avec un facteur aléatoire

ANOVA avec un facteur aléatoire Chapitre 7 ANOVA avec u facteur aléatoire Jusqu à maiteat, o a supposé que les modalités du facteur étudié ot été choisies parce qu elles étaiet itrisèquemet itéressates. Le modèle à effets fixes porte

Plus en détail

Chapitre 3 : Fonctions d une variable réelle (1)

Chapitre 3 : Fonctions d une variable réelle (1) Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s

Plus en détail

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante : " tirer p éléments de E ".

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante :  tirer p éléments de E . Cours de termiales Probabilités sur u esemble fii Mr ABIDI F I- Rappel I- Types de tirages : Soit u esemble fii E coteat élémets O cosidère l'épreuve suivate : " tirer p élémets de E " Type de tirages

Plus en détail

I. (2 points) III. (2 points)

I. (2 points) III. (2 points) ère S Cotrôle du vedredi 7 mars 05 (0 mi) Préom : Nom : Note : / 0 II ( poits) Soit ABC u triagle isocèle e A tel que AB AC 8 cm et BC 5 cm O ote I le milieu de [AC] Calculer BI (valeur exacte) I ( poits)

Plus en détail

Application «Calculs» Application «Graphiques» Application «Tableur et listes» FR

Application «Calculs» Application «Graphiques» Application «Tableur et listes» FR TI Nspire Documet de Formatio T3 Walloie TI-Nspire Le tout e u des mathématiques Suites umériques La loi de Verhulst Applicatio «Calculs» Applicatio «Graphiques» Applicatio «Tableur et listes» FR Formatios

Plus en détail

Inégalités souvent rencontrées

Inégalités souvent rencontrées Iégalités souvet recotrées Recotres Putam 004 Uiversité de Sherbrooke Jea-Philippe Mori Théorie Certaies iégalités sot deveues célèbres e raiso de leur grade utilité Elles sot aussi souvet au coeur de

Plus en détail

Promenades aléatoires : vers les chaînes de Markov

Promenades aléatoires : vers les chaînes de Markov AME Dossier : Matrices et suites 545 romeades aléatoires : vers les chaîes de Markov ierre Griho (*) Cet article propose ue mise e perspective de la otio de promeade ou de marche aléatoire itroduite das

Plus en détail

Corrigé du baccalauréat Polynésie 16 juin 2014 STI2D STL spécialité SPCL

Corrigé du baccalauréat Polynésie 16 juin 2014 STI2D STL spécialité SPCL Corrigé du baccalauréat Polyésie 6 jui 4 STID STL spécialité SPCL EXERCICE 4 poits Cet eercice est u questioaire à choi multiples. Pour chacue des questios suivates, ue seule des quatre réposes proposées

Plus en détail

Travaux dirigés G33 Dimensionnement 2 séances Enseignant : Anthony Busson.

Travaux dirigés G33 Dimensionnement 2 séances Enseignant : Anthony Busson. Travaux dirigés G33 Dimesioemet 2 séaces Eseigat : Athoy Busso. Exercice 1 : O cosidère u web switch et 3 serveurs web. Le web switch reçoit les requêtes http proveat des cliets et les répartit de maière

Plus en détail

Chapitre 1 : Les notions de base

Chapitre 1 : Les notions de base Chapitre : Les otios de base Itroductio I Comparer des gradeurs A) Les pourcetages B) Taux de variatio, coefficiet multiplicateur, idice C) Importace du ses de la comparaiso ) Raisoemet sur les taux de

Plus en détail

SÉRIES STATISTIQUES À DEUX VARIABLES

SÉRIES STATISTIQUES À DEUX VARIABLES 1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1

Plus en détail

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue

Plus en détail

Correction du devoir surveillé de mathématiques n o 5

Correction du devoir surveillé de mathématiques n o 5 Correctio du devoir surveillé de mathématiques o 5 Exercice 1 1. Soit g la foctio défiie sur R par g(x) = (x 1)e x. (a) Détermier les ites de g e et +. Limite e. O a ue forme idétermiée. E développat,

Plus en détail

L hebdo Finance de la MACS

L hebdo Finance de la MACS - DU 2 AU 9 OCTOBRE 2006 - Numéro DÉFINITION DE LA SEMAINE : Stock otio Idice boursier DOSSIER DE LA SEMAINE : Simulatio d u rêt immobilier 2 LES COURS DU JOUR Le jeudi 2 octobre 7 L hebdo Fiace de la

Plus en détail

DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011

DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011 MÉTHODES NUMÉRIQUES POUR LE PRICING D OPTIONS DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011 Table des matières 1 Notatios et équatio de Black-Scholes 2 11 Notatios 2 12 Équatio de Black-Scholes

Plus en détail

Examen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot

Examen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules est à dispositio olie et sera doé aux cadidats lors des exames oraux

Plus en détail

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2001

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2001 Exercice 1 : ( 12 poits ) Les parties A et B peuvet être traitées idépedammet l ue de l autre. O se propose d étudier l évolutio e foctio du temps des températures d u bai et d u solide plogé das ce bai.

Plus en détail

09 G 18bis AR Durée: 4 heures Séries : S1-S3 - Coeff. 8.. Epreuve du 1 er groupe

09 G 18bis AR Durée: 4 heures Séries : S1-S3 - Coeff. 8.. Epreuve du 1 er groupe UNIVERSITE CHEIKH ANTA DIOP DE DAKAR 1/ 9 OFFICE DU BACCALAUREAT BP 5005-DAKAR-Fa-Séégal Serveur Vocal: 68 05 59 Téléfax (1) 864 67 39 - Tél : 84 95 9-84 65 81 M A T H E M A T I Q U E S 09 G 18bis AR Durée:

Plus en détail

TECHNIQUE: Distillation

TECHNIQUE: Distillation TECHNIQUE: Distillatio 1 Utilité La distillatio est u procédé permettat la séparatio de différetes substaces liquides à partir d u mélage. Les applicatios usuelles de la distillatio sot : l élimiatio d

Plus en détail

EXERCICES : DÉNOMBREMENT

EXERCICES : DÉNOMBREMENT Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris

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

Baccalauréat S Nouvelle-Calédonie 7 mars 2014

Baccalauréat S Nouvelle-Calédonie 7 mars 2014 Durée : 4 heures Baccalauréat S Nouvelle-Calédoie 7 mars 2014 A. P. M. E. P. EXERCICE 1 Commu à tous les cadidats 4 poits Cet exercice est u QCM questioaire à choix multiple. Pour chaque questio, ue seule

Plus en détail

1 Mesure et intégrale

1 Mesure et intégrale 1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios

Plus en détail

Université Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Année Examen du 13 mai 2015

Université Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Année Examen du 13 mai 2015 Uiversité Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Aée 2014-15 Exame du 13 mai 2015 Le sujet comporte 2 pages. L épreuve dure 2 heures. Les documets, calculatrices et téléphoes

Plus en détail

Soit n un entier supérieur ou égal à 0. On note b n la proportion des adhérents ayant un abonnement de type. l année n.

Soit n un entier supérieur ou égal à 0. On note b n la proportion des adhérents ayant un abonnement de type. l année n. Amérique du Nord Mai 1 Série ES Exercice U club de sport propose à ses adhérets deux types d aboemets : l aboemet de type A qui doe accès à toutes les istallatios sportives et l aboemet de type B qui,

Plus en détail

Université Paris VII - Agrégation de Mathématiques (François Delarue) MÉTHODE DE MONTE-CARLO

Université Paris VII - Agrégation de Mathématiques (François Delarue) MÉTHODE DE MONTE-CARLO Uiversité Paris VII - Agrégatio de Mathématiques Fraçois Delarue) MÉTHODE DE MONTE-CARLO Ce texte vise à préseter l utilisatio de la méthode de Mote-Carlo das le calcul du prix d ue optio. 1. Positio du

Plus en détail

Séquence 8. Suites arithmétiques et géométriques. Sommaire

Séquence 8. Suites arithmétiques et géométriques. Sommaire Séquece 8 Suites arithmétiques et géométriques Sommaire Pré-requis Suites arithmétiques Suites géométriques Sythèse du cours Exercices d approfodissemet Séquece 8 MA Ced - Académie e lige Pré-requis A

Plus en détail

Annexe I. Théorie des tests : Rappel très simplifié sur un exemple.

Annexe I. Théorie des tests : Rappel très simplifié sur un exemple. Théorie des tests : Rappel très simplifié sur u exemple. Aexe I Test de l efficacité d u remède sur des malades atteit d u rhume. p 0 : probabilité de guérir das les huit jours avec u placebo p 1 : probabilité

Plus en détail

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( )

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( ) Aée 01-013 Mathématiques Décembre 01 Durée : 3 heures BAC blac N 1 La calculatrice est autorisée. Le sujet comporte u total de 5 exercices. Les élèves e suivat pas l eseigemet de spécialité traiterot les

Plus en détail

x + (2 α) y = 0 3 L donc P

x + (2 α) y = 0 3 L donc P 1 Corrigé ESC 009 par Pierre Veuillez Exercice 1 O cosidère les matrices A, B, D, P, E de M (R) suivates : ( ) 5 1 4 ( ) A B 3 3 1 3 0 7 D P 3 3 ( ) { x (1 α) x y 0 1) a: (A αi) 0 y x + ( α) y 0 ( 1 )

Plus en détail

Chapitre 3 Détermination de la taille de l'échantillon

Chapitre 3 Détermination de la taille de l'échantillon Chapitre 3 Détermiatio de la taille de l'échatillo Lorsqu o prélève u échatillo pour estimer u paramètre, o court toujours le risque de découvrir u peu trop tard que l'échatillo prélevé est trop petit

Plus en détail

Amérique du Nord. Terminale S mai 2014

Amérique du Nord. Terminale S mai 2014 Termiale S mai 2014 Amérique du Nord 1 Exercice 1 (5 poits) Das cet exercice, tous les résultats demadés serot arrodis à 10 3 près Ue grade eseige de cosmétiques lace ue ouvelle crème hydratate Partie

Plus en détail

Ce type de compresseur est aussi appelée compresseur volumetrique.

Ce type de compresseur est aussi appelée compresseur volumetrique. Chapitre 4 Compresseurs Buts 1. Savoir que das ce cas if faut se redre compte qu il y a des effets thermique 2. Savoir qu il y a ue limite á l augmetatio de la pressio de gaz 3. Savoir quelles istabilités

Plus en détail

Introduction aux théorèmes limites et aux intervalles de confiance

Introduction aux théorèmes limites et aux intervalles de confiance Chapitre 5 Itroductio aux théorèmes limites et aux itervalles de cofiace Objectifs du chapitre. Savoir approcher ue loi biomiale par ue loi de Poisso ou ue loi ormale. 2. Savoir approcher ue loi e appliquat

Plus en détail

1 Programme de l agrégation interne

1 Programme de l agrégation interne Séries umériques Programme de l agrégatio itere Partie 0b : Séries de ombres réels ou complexes Séries à termes positifs La série coverge si et seulemet si la suite des sommes partielles est borée Étude

Plus en détail

E(X i ) par linéarité de l espérance.

E(X i ) par linéarité de l espérance. Statistiques appliquées. L3 Iterrogatio Questios de cours. 3 poits 1) Eocer le théorème cetral limite (1 pt). Si (X ) est ue suite de v.a. idépedates et de même loi, admettat des momets d ordre u et deux

Plus en détail

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé : Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +

Plus en détail

AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES. ITS Voie B Option Économie. MATHÉMATIQUES (Durée de l épreuve : 4 heures)

AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES. ITS Voie B Option Économie. MATHÉMATIQUES (Durée de l épreuve : 4 heures) ÉCOLE NATIONALE SUPÉRIEURE DE STATISTIQUE ET D ÉCONOMIE APPLIQUÉE ENSEA ABIDJAN AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES ITS Voie B Optio Écoomie MATHÉMATIQUES (Durée de l épreuve : 4 heures)

Plus en détail

Etude de la fonction ζ de Riemann

Etude de la fonction ζ de Riemann Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.

Plus en détail

Examen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot

Examen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules sera mis à dispositio des cadidats, si écessaire. Etat au 1er mars

Plus en détail

1 Introduction. 2 Probabilités : Variables Aléatoires Continues. 3 Estimation. 4 Tests. 5 Régression

1 Introduction. 2 Probabilités : Variables Aléatoires Continues. 3 Estimation. 4 Tests. 5 Régression Pla du cours Méthodes de statistique iféretielle. A. Philippe Laboratoire de mathématiques Jea Leray Uiversité de Nates Ae.Philippe@uiv-ates.fr 1 Itroductio 2 Probabilités : Variables Aléatoires Cotiues

Plus en détail

MATHÉMATIQUES Corrigé

MATHÉMATIQUES Corrigé Exame de ovembre 009 Exame du premier trimestre Le 30 ovembre 009 Classes de ère STG Durée 3 heures MATHÉMATIQUES Corrigé Note aux cadidats L emploi des calculatrices est autorisé (circulaire 99 86 du

Plus en détail

20. Algorithmique & Mathématiques

20. Algorithmique & Mathématiques L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus

Plus en détail

Organisme de recherche et d information sur la logistique et le transport LES PREVISIONS DES CONSOMMATIONS

Organisme de recherche et d information sur la logistique et le transport LES PREVISIONS DES CONSOMMATIONS LES PREVISIONS DES CONSOMMATIONS Les logiciels utilisés pour la gestio des stocks itègret de ombreuses foctios de calcul. L ue des plus importates est l exécutio des prévisios des cosommatios futures d

Plus en détail

Chapitre 1: Calcul des intérêts

Chapitre 1: Calcul des intérêts Chapitre 1: Calcul des itérêts Ce chapitre vise à familiariser le lecteur avec les otios suivates : Itérêt Taux d itérêt omial Taux d itérêt périodique Valeur acquise Valeur actuelle Capitalisatio Le lecteur

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n = [http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.

Plus en détail

Lucyna FIRLEJ IUT Mesures Physiques Statistiques C1

Lucyna FIRLEJ IUT Mesures Physiques Statistiques C1 1 Statistique iferetielle. Relatios Iteratioales Lucya Firlej Pl. E.Bataillo, Bat.11, cc.06 34095 Motpellier cedex 5 Frace lucya.firlej@umotpellier.fr S3. Statistics. 30 h d eseigemet: 10 cours, 10 TD,

Plus en détail

UNIVERSITE D ANGERS Mathematiques L2. Devoir. Corrigé sur le web le 31/10/2014

UNIVERSITE D ANGERS Mathematiques L2. Devoir. Corrigé sur le web le 31/10/2014 UNIVERSITE D ANGERS Mathematiques L. Devoir. Corrigé sur le web le 1/10/014 O traitera au choix l u des deux exercices ou. Exercice 1 : ci-dessous : Détermier la ature de chacue des 6 séries dot le terme

Plus en détail

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels.

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels. Uiversité de Provece 011 01 Mathématiques Géérales I Plache 6 Nombres réels Suites réelles Nombres réels Exercice 1 Mettre sous forme irréductible p/q les ratioels suivats (les chiffres souligés se répètet

Plus en détail

II. Permutations sans répétitions et notation factorielle

II. Permutations sans répétitions et notation factorielle février 2012 ORRIGE II. Permutatios sas répétitios et otatio factorielle Aalyse combiatoire 4 ème - 1 I. Itroductio Les différets modèles mathématiques costruits pour étudier les phéomèes où iterviet le

Plus en détail

Comportement d'une suite

Comportement d'une suite Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer

Plus en détail

Processus et martingales en temps continu

Processus et martingales en temps continu Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de

Plus en détail

La classification de données quantitatives avec SPAD

La classification de données quantitatives avec SPAD La classificatio de doées quatitatives avec SPAD SPAD effectue toujours ue ACP de la matrice des doées quatitatives X " p avat de faire la classificatio des idividus. Les méthodes de classificatio s appliquet

Plus en détail

Correction des exercices sur la nature ondulatoire de la lumière

Correction des exercices sur la nature ondulatoire de la lumière CORRECTION EXERCICES TS /5 CHAPITRE 3 Correctio des exercices sur la ature odulatoire de la lumière Correctio exercice : idice d u verre et réfractio. La radiatio = 530 m est verte et la radiatio = 680

Plus en détail

Chapitre 3 : Transistor bipolaire à jonction

Chapitre 3 : Transistor bipolaire à jonction Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats

Plus en détail

STATISTIQUE : ESTIMATION

STATISTIQUE : ESTIMATION STATISTIQUE : ESTIMATION Préparatio à l Agrégatio Bordeaux Aée 202-203 Jea-Jacques Ruch Table des Matières Chapitre I. Estimatio poctuelle 5. Défiitios 5 2. Critères de comparaiso d estimateurs 6 3. Exemples

Plus en détail

Séries entières. Chap. 09 : cours complet.

Séries entières. Chap. 09 : cours complet. Séries etières Chap 9 : cours complet Rayo de covergece et somme d ue série etière Défiitio : série etière réelle ou complee Théorème : lemme d Abel Théorème : itervalle des valeurs positives où ue série

Plus en détail

Gestion du Risque de Change

Gestion du Risque de Change A / Pratiques de cotatio Gestio du Risque de Chage - Moaies «i» : FRF, DEM «pré i» : GBP «out» : USD EONIA : Europea over ight idex average TEC : taux à échage costat Toute cotatio compred deux prix :

Plus en détail

Intérêt simple CHAPITRE. Sommaire

Intérêt simple CHAPITRE. Sommaire HAPTRE térêt simple Sommaire A B D E F G H J K L Notio d itérêt Formule fodametale de l itérêt simple Durée de placemet exprimée e mois Durée de placemet exprimée e jours alculs sur la formule fodametale

Plus en détail

Convergence en loi. Théorème de la limite centrale.

Convergence en loi. Théorème de la limite centrale. Uiversité Pierre et Marie Curie 2013-2014 Probabilités et statistiques - LM345 Feuille 10 (semaie du 2 au 6 décembre 2013 Covergece e loi. Théorème de la limite cetrale. Covergece e loi 1. Soiet (X N ue

Plus en détail

Introduction aux Méthodes de Monte-Carlo

Introduction aux Méthodes de Monte-Carlo Itroductio aux Méthodes de Mote-Carlo LAURE ELIE BERNARD LAPEYRE Septembre 2001 Table des matières 1 Itroductio aux méthodes de mote-carlo 5 1.1 Simulatio de lois uiformes........................... 7

Plus en détail

Correction CCP maths 1 MP

Correction CCP maths 1 MP mai 4 Avertissemet : Il subsiste certaiemet quelques coquilles... Exercice : ue itégrale double Correctio CCP maths MP Pour calculer cette itégrale, o effectue le chagemet de variable e coordoées polaires

Plus en détail

Le montant des intérêts acquis est la différence entre la valeur acquise et le capital placé :

Le montant des intérêts acquis est la différence entre la valeur acquise et le capital placé : http://maths-scieces.fr OPÉRATIONS FINANIÈRES A INTÉRÊTS OMPOSÉS I) Itérêts et valeur acquise Défiitio U capital est placé à itérêts composés lorsque le motat des itérêts produits à la fi de chaque période

Plus en détail

Exercices. Exercice 1 (Suites adjacentes) On considère les suites (u n ) n N et (v n ) n N définies par: 1 k u n = n 3, v n = u n + 1 n 1 2n 2

Exercices. Exercice 1 (Suites adjacentes) On considère les suites (u n ) n N et (v n ) n N définies par: 1 k u n = n 3, v n = u n + 1 n 1 2n 2 Exercices Exercice (Suites adjacetes) O cosidère les suites (u ) N et (v ) N défiies par: u 3, k3 k 2 + v u + 2 2 Motrer que (u ) N et (v ) N sot adjacetes. Exercice 2 Soiet les deux suites (u ) et (v

Plus en détail