Simulation de variables aléatoires
|
|
- Stanislas Yves Carignan
- il y a 8 ans
- Total affichages :
Transcription
1 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 Method, chap 3. Cadre: Scilab possède une fonction rand) dont les appels successifs fournissent une suite de variables aléatoires indépendantes et identiquement distribuées, de loi uniforme sur [, 1]. Nous ne nous intéresserons pas ici à la conception d une telle fonction. Problème: Comment simuler une variable aléatoire ou un vecteur aléatoire suivant une loi donnée, différente de la loi uniforme sur [,1]? 1.1 Premiers exemples de lois classiques Loi de Bernoulli de paramètre p: pδ p)δ Ecrire une fonction bernoulli1p) qui renvoit un tirage selon la loi de Bernoulli de paramètre p. Ecrire une fonction bernoulli2k,p) qui renvoit un k-echantillon suivant la loi de Bernoulli de paramètres p Loi binomiale de paramètres n, p): n k= ) n p k 1 p) n k δ k k Lemme Si X i ) 1 i n sont des variables aléatoires indépendantes et identiquement distribuées de loi de Bernoulli de paramètre p, alors S = n i=1 X i suit une loi binomiale de paramètres n, p). Ecrire une fonction binomialen,p) qui renvoit un tirage selon la loi binomiale de paramètres n,p). Faire un histogramme d un échantillon de taille 1 de loi binomiale de paramètres 8,1/3). histplot, clf 2
2 1.1.3 Loi uniforme sur {, 1,..., n 1}: function x=uniforme1n) 1 n 1 n k= // tirage suivant la loi uniforme sur {,...,n-1} x=floorn*rand)); Démonstration: On note X la variable aléatoire rendue par cette fonction. Comme P rand) < 1) = 1, on a P n*rand) < n) = 1 et δ k Pfloorn*rand)) [..n 1]) = 1. Donc X prend ses valeurs dans [..n 1]. Maintenant, soit k [..n 1]: PX = k) = Pfloorn*rand)) = k) = Pk n*rand) < k + 1) = P k n rand) < k + 1 n ) = 1 n Loi uniforme sur [a, b]: fx) = 1 b a 1 [a,b]x) Lemme Si U suit la loi uniforme sur [,1], alors, si α > et β R, αu + β suit la loi uniforme sur [β,β + α]. Démonstration: Soit ϕ : R R une fonction continue bornée: en faisant le changement de variable x = αu + β, on a EϕαU + β)) = 1 ϕαu + β)du = β+α β ϕx) 1 α dx, ce qui signifie que X est une variable aléatoire de densité fx) = 1 α 1 [β,β+α], et on reconnaît la densité de la loi uniforme sur [β,β + α]. function x=uniforme2a,b) // tirage suivant la loi uniforme sur [a,b] x=a+b-a)*rand); Loi exponentielle de paramètre λ: fx) = λ exp λx)1 R+ x) La fonction de répartition de la loi exponentielle est Ft) = PX t) = 1 exp λt). Cette fonction est une bijection de ],+ [ dans ],1[, d inverse Gu) = 1 ln1 u). λ Exercice 1: Montrer que si U est de loi uniforme sur [,1], alors GU) suit la loi exponentielle de paramètre λ. 3
3 function x=exponentiellea) // tirage suivant la loi exponentielle de parametre a x=-logrand))/a; Exercice 2: Pourquoi a-t-on remplacé 1 U par U dans l algorithme? Loi géométrique de paramètre p: Méthode 1: à partir du jeu de pile ou face: + k=1 1 p) k 1 pδ k Lemme Si X i ) i N sont des variables aléatoires iid de Bernoulli de paramètre p, alors N = min{i : X i = 1} suit une loi géométrique de paramètre p. function x=geometrique1p) // tirage suivant la loi geometrique de parametre p x=1; while rand)>p, x=x+1; end; Méthode 2: à partir de la loi exponentielle: ) Lemme Soit U suit la loi uniforme sur [,1], alors 1+E lnu ln1 p) de paramètre p. Démonstration: Notons X = 1 + E ln U ln1 p) X prend ses valeurs dans N. Soit maintenant k N : suit la loi géométrique ). Par définition de la partie entière, ) ) ) ) ln U ln U PX = k) = P 1 + E = k = P E = k 1 ln1 p) ln1 p) = P k 1 ln U ) ln1 p) < k = P k ln1 p) < U k 1)ln1 p)) = P 1 p) k < U 1 p) k 1) = 1 p) k 1 1 p) k = 1 p) k 1 p. function x=geometrique2p) // tirage suivant la loi geometrique de parametre p x=1+floorlogrand))/log1-p)); 4
4 1.1.7 Loi de Poisson de paramètre λ: + k= exp λ) λk k! δ k Lemme Soit X i ) i N sont des variables aléatoires iid exponentielles de paramètre λ. La variable aléatoire définie par N = si X 1 1 et N = max{i 1 : i X j 1} sinon, j=1 suit une loi de Poisson de paramètre λ. Démonstration: Soit k N. PN = k) k k+1 = P X j 1 < = = = R k+ 1 + R k + R k + j=1 j=1 X j λ k+1 exp λx x k+1 )1 {x1 + +x k 1}1 {xk+1 >1 x 1 + +x k )}dx 1...dx k+1 + λ k exp λx x k )1 {x1 + +x k 1} λexp λx k+1 )dx k+1 )dx 1...dx k 1 x 1 + +x k ) λ k exp λx x k )1 {x1 + +x k 1} exp λ)expλx x k ))dx 1...dx k = λ k exp λ) R k + 1 {x1 + +x k 1}dx 1...dx k. Pour calculer la dernière intégrale, on pose s 1 = x 1, s 2 = x 1 + x 2,..., s k = x x k : 1 {x1 + +x k 1}dx 1...dx k = R k + ce qui termine la preuve. = R k {s1 s 2 s k 1}ds 1... ds k ds k sk s2 ds k 1... ds 1 = 1 k!, Soit U i ) i N des variables aléatoires iid de loi uniforme sur [,1], alors si X i = 1 λ lnu i), les X i ) i N sont des variables aléatoires iid exponentielles de paramètre λ, et i X j 1 1 i i λ ln 1 U j exp λ). j=1 j=1 U j j=1 function x=poissona) // tirage suivant la loi de Poisson de parametre a test=exp-a);x=;prod=rand); while prod>=test), x=x+1; prod=prod*rand); end; 5
5 1.1.8 Loi gaussienne centrée réduite: Méthode de Box-Mueller Rappelons la formule de changement de variable en plusieurs dimensions: Théorème Soit G un ouvert de R n, et g : G R n une application de classe C 1, injective et dont le jacobien detj g x)) ne s annule pas sur G. Soit f une application mesurable de gg) dans R, intégrable sur gg). Alors fy)dy = fgx)) detj g x)) dx. gg) On en déduit la densité d un vecteur image: G Proposition Soit X un vecteur aléatoire à valeur dans R n de densité f X. Soit g : R n R n une application de classe C 1, injective et dont le jacobien detj g x)) ne s annule pas. Alors le vecteur aléatoire Y = gx) a pour densité: f Y y) = f X g 1 y)) detjg 1 y)). Démonstration: Soit ϕ : R n R une application mesurable, positive, bornée. On applique le théorème précédent avec g 1 : ce qui prouve le résultat. En particulier, on obtient: EϕY )) = EϕgX))) = ϕgx))f X x)dx R n = ϕy)f X g 1 y)) detjg 1 y)), R n Lemme Soit R une variable aléatoire de loi exponentielle de paramètre 1/2 et Θ une variable aléatoire de loi uniforme sur [, 2π], supposées de plus indépendantes. Alors, si on pose X = R cosθ) et Y = R sinθ), les variables aléatoires X et Y sont iid de loi gaussienne centrée réduite. function [x,y]=boxmueller // tirage de deux N,1) independantes r=sqrt-2*logrand))); t=2*%pi*rand); x=r*cost); y=r*sint); Exercice 3: Comment simuler une variable aléatoire gaussienne de moyenne m et de variance σ 2? 6
6 1.2 Méthodes générales Méthode générale pour une variable aléatoire discrète Soit X une variable aléatoire telle que XΩ) = {x,x 1,...} et, pour tout i N, p i = PX = x i ). On rappelle que p i et i N p i = 1. function y=simuldiscretex,p) // simule une va de loi discrete, // x=vecteur des valeurs prises, p=vecteur des probabilites u=rand); q=p); i=; while u>q); i=i+1; q=q+pi); end; y=xi); Démonstration: PX = x ) = Prand) p ) = p et pour k 1, PY = x k ) = P k 1 p i < rand) i= i= ) k p i = p i. Exercice 4: Ecrire une fonction en Scilab pour simuler suivant ce procédé la loi géométrique et la loi de Poisson. Remarque: Le nombre N de tests nécessaires satisfait N = 1 ssi u p, et pour i > 1, i 1 i N = i p i < u p i. On a donc intérêt à réordonner les x i ) i dans l ordre des p i ) i décroissants Simulation par inversion de la fonction de répartition j= La méthode utilisée pour simuler une loi exponentielle est en fait générale: dès que l on sait inverser une fonction de répartition F, il est très facile de simuler une variable aléatoire de fonction de répartition F. Lemme Soit U suit la loi uniforme sur [, 1], et F une fonction de répartition bijective de ]a,b[ dans ],1[ d inverse F 1. Alors F 1 U) est une variable aléatoire de fonction de répartition F. Démonstration: On pose X = F 1 U), elle prend ses valeurs dans ]a,b[. Remarquons que nécessairement F est strictement croissante de ]a,b[ dans ],1[. Soit t ]a,b[: j= PX t) = PF 1 U) t) = PU Ft)) = Ft). Donc la fonction de répartition de X est bien F. Exercice 5: En utilisant la méthode de la fonction de répartition, simuler une loi de Cauchy de densité ft) = 1 π 1 1+t 2. 7
7 1.2.3 Simulation par rejet Exemple: Commençons par un exemple très simple: comment simuler une loi uniforme sur le disque unité {x 2 + y 2 1}? function [x,y]=disque // simule un point uniformement sur le disque unite [x,y]=2*rand1,2)-[1,1]; while x^2+y^2>1), [x,y]=2*rand1,2)-[1,1]; end; L idée est la suivante: on tire des points uniformément dans le carré, et on les jette jusqu à en obtenir un qui tombe dans le disque. La loi du point obtenue est la loi d un point tiré uniformément dans le carré conditionnellement à être dans le disque, ce qui est encore la loi uniforme sur le disque. Exercice 6: Quel est la loi du nombre N de passages dans la boucle? Lemme Soit X une variable aléatoire de densité f sur R d ) à simuler. On suppose qu il existe k > et une densité g sur R d aussi, facile à simuler) tels que x fx) kgx). Soit U une variable aléatoire de loi uniforme sur [, 1] et Z une variable aléatoire, indépendante de U, de densité g. On pose V = kugz). Alors, la loi de Z conditionnellement à l événement {V < fz)} a pour densité f. Remarque: Notons que nécessairement k 1 car f, g sont des densités). Démonstration: On fait la démonstration pour le cas de R. Notons que pour tout fz) z R, kgz) 1. On a tout d abord PV < fz)) = PkUgZ) < fz)) = = dzgz) fz) kgz) = 1 k. P{Z t} {V < fz)}) = Donc PZ t V < fz)) = = R t t t que {V < fz)} a bien pour densité f. dzgz) R dzgz) 1 du1 {kugz)<fz)} t dzgz) fz) kgz) = 1 k dzfz). 1 du1 {kugz)<fz)} dzfz), donc la loi conditionnelle de Z sachant Dans R d, on utilise la généralisation de la fonction de répartition. On obtient donc l algorithme de simulation par rejet on suppose qu on possède une fonction simulg qui simule une variable aléatoire de densité g): 8
8 function z=simulf // simule par rejet une va de densite f u=rand); z=simulg; v=k*u*gz); while v>=fz)); u=rand); z=simulg; v=k*u*gz); end; Démonstration: Notons N le nombre de tests fait lors de cette fonction: c est une variable aléatoire, à valeurs dans N. Notons U n ) n 1 la suite des appels à la fonction rand), et Z n ) n 1 la suite des appels à la fonction simulg. Toutes ces variables aléatoires sont indépendantes, les premières de loi uniforme sur [, 1], les secondes de densité g. On note V n = ku n gz n ), et on note X la sortie de la fonction. Soit t R. PX t et N = 1) = PV 1 < fz 1 ) et Z 1 t) 1 k t dzfz) par la démonstration précédente. Soit maintenant i 2. Par indépendance, et comme précédemment: PX t et N = i) = PV 1 fz 1 ), V 2 fz 2 ),..., V i 1 fz i 1 ), V i < fz i ), Z i t) Finalement rappelons que k 1): = PV 1 fz 1 ))PV 2 fz 2 ))... PV i 1 fz i 1 ))PV i < fz i ), Z i t) = 1 1 ) i 1 1 t dzfz). k k PX t) = = + i=1 + i=1 PX t et N = i) 1 1 ) i 1 1 t t dzfz) = dzfz), k k donc la densité de X est bien f. Exercice 7: Simulation de la gaussienne par rejet par rapport à la double exponentielle. On pose fz) = 1 2π exp z 2 /2) et gz) = 1 2 exp z ). 1. Montrer que g est bien une densité sur R. 2. Déterminer une constante k satisfaisant z R, fz) kgz). On aura intérêt à prendre 2e k la plus petite possible: [k = π = 1,3155]. 3. Ecrire un algorithme de simulation d une loi gaussienne centrée réduite par rejet. Exercice 8: Montrer que le nombre de passage dans la boucle suit une loi géométrique dont le paramètre ne dépend que de k. Justifier alors l intérêt de prendre k la plus petite possible. 9
9 1.2.4 Simulation par composition Exercice 9: Soit F et G deux fonctions de répartition sur R. On construit une variable aléatoire X de la façon suivante: on lance une pièce qui tombe sur pile avec probabilité 1/3 et sur face avec probabilité 2/3, si pile sort, on tire un nombre au hasard suivant la loi donnée par F, sinon, on tire un nombre au hasard suivant la loi donnée par G. Déterminer la fonction de répartition H de X. L exemple précédent est un exemple de mélane de variables aléatoires. On suppose maintenant qu on veut simuler une variable aléatoire X de fonction de répartition F = n i=1 θ if i, où les θ i sont des poids: θ i et n i=1 θ i = 1 et les F i sont des fonctions de répartition dont les lois sont faciles à simuler. On suppose qu on a à notre disposition des fonctions simulfi qui simulent des variables aléatoires de fonction de répartition F i et une fonction simultheta qui simule une variable aléatoire Θ à valeur dans {1,...,n} telle que PΘ = i) = θ i. function x = melange // simulation par melange i=simultheta; x=simulfi; Exercice 1: Simuler un mélange d exponentielles Fz) = α1 exp az)) + 1 α)1 exp bz)). Exercice 11: Simuler une variable aléatoire de loi 1 2 δ e x 1 R+ x)dx. Cette méthode se généralise immédiatement à un nombre infini dénombrable de poids θ i ) i N, et même à un mélange continu de lois: on suppose qu on veut simuler une variable aléatoire X de densité fz) = θ gθ)f θz)dθ, où g est une densité de probabilité, ainsi que tous les f θ. L algorithme est alors simple: on tire θ suivant g, puis x suivant f θ. Exercice 12: Soit a >, et fx) = aléatoire X à simuler. 1. Vérifier que fx) = 1 a a λ exp λx)dx. 2. En déduire un algorithme pour simuler X. 1 ax + 1)exp ax) ax 2 1 x> la densité de la variable 1.3 Simulation de vecteurs aléatoires Cas indépendant Soit Z une vecteur aléatoire de R d à simuler. Si ses composantes sont indépendantes, on est ramené au cas de la simulation de variables aléatoires réelles indépendantes traité dans les sections précédentes on rappelle que les sorties successives de rand donnent des variables aléatoires indépendantes de loi uniforme sur [, 1]). Le problème est différent quand les coordonnées ne sont pas indépendantes. 1
10 1.3.2 Vecteur gaussien Un vecteur gaussien dans R d est caractérisé par un vecteur moyenne m R d, et une matrice de covariance K, de taille d d, symétrique et positive. On suppose pour l instant que K est définie positive. Théorème Décomposition de Cholesky) Si K est une matrice symétrique définie positive de taille d d, il existe au moins une matrice réelle triangulaire inférieure L telle que : K = L t L. On peut également imposer que les éléments diagonaux de la matrice L soient tous strictement positifs, et la factorisation correspondante est alors unique. Démonstration: On procède par récurrence sur la dimension d. C est clair pour d = 1. Soit K une matrice symétrique définie positive de taille d d, avec d 2. On note e 1,e 2,...,e d ) la base canonique de R d. La restriction de la forme bilinéaire symétrique définie par K au sous-espace vectoriel engendré par e 1,...,e d 1 ) est encore définie positive: il existe une matrice K d 1 symétrique définie positive de taille d 1) d 1), un vecteur colonne C de taille d 1) 1 et un réel positif a tels que K = K d 1 t C ) C. a Si on cherche L triangulaire inférieure de taille d d sous la forme ) L d 1 L = b t V alors on doit résoudre L t Ld 1 t L d 1 L d 1 V L = t V L t d 1 t V V + b 2 ) = K L d 1 t L d 1 = K d 1 L d 1 V = C t V V + b 2 = a L hypothèse de récurrence assure l existence et l unicité de L d 1, triangulaire inférieure de taille d 1) d 1) avec coefficients diagonaux strictement positifs, telle que L d 1 t L d 1 = K d 1. En particulier, L d 1 est inversible, ce qui permet de résoudre de façon unique V = L 1 d 1 C. Il reste donc à voir que a t V V >, et b sera alors la racine carrée de a t V V. On va calculer par blocs le déterminant de K, qui est strictement positif. On fait apparaitre des dans les d 1 premiers coefficients de la dernière colonne de K en soustrayant à cette colonne une combinaison linéaire adéquate des d 1 premières colonnes de la matrice K: ) C a Kd 1 t C ) 11 K 1 d 1 C) = a t CK 1 d 1 C )
11 Cette manipulation ne change pas le déterminant, et on se retrouve avec une matrice tringulaire par blocs: ) K d 1 detk) = det t C a t CK 1 d 1 C Comme detk d 1 ) >, il vient a t CK 1 d 1C >. Mais = detk d 1 )a t CK 1 d 1C) >. t CK 1 d 1 C =t CL d 1 t L d 1 ) 1 C = t L 1 d 1 C)L 1 d 1 C) =t V V, ce qui conclut la preuve. En pratique: on cherche L par coefficient indéterminés et identification, colonne par colonne. Voir l exemple juste après. Remarque: Si K est seulement semi-définie positive, la décomposition de Cholesky existe encore mais elle n est plus unique. Lemme Soit T un vecteur gaussien de dimension d centré de matrice de covariance I d dont les coordonnées sont des variables aléatoires iid normales centrées réduites). Soit m R d, et K une matrice définie positive de taille d d. Soit L la matrice triangulaire inférieure donnée par la factorisation de Cholesky de K. Alors le vecteur aléatoire Z = m + LT est un vecteur gaussien de moyenne m et de matrice de covariance K. Démonstration: Comme L est une application linéaire de R d dans R d, Z est encore un vecteur gaussien d-dimensionnel. Pour l espérance: EZ) = Em + LT) = m + LET) = m, puisque T est centré. Pour la matrice de covariance, comme celle de T est I d, EZ m) t Z m)) = ELT t T t L) = LET t T) t L = LI t d L = Lt L = K. Exemple: On veut simuler le vecteur gaussien Z de R 3 de moyenne m et de matrice de covariance K avec m = et K = On commence par chercher la matrice de factorisation de Cholesky L par coefficients indéterminés et identification: l 11 L = l 21 l 22. l 31 l 32 l 33 On calcule LL t et on identifie, colonne par colonne:. 12
12 1. l11 2 = k 11 = 1 l 11 = l 11 l 21 = k 21 = 1 l 21 = l 11 l 31 = k 31 = l 31 =. 4. l l2 22 = k 22 = 5 l 22 = l 21 l 31 + l 22 l 32 = k 32 = 6 l 32 = l l l2 33 = k 33 = 1 l 33 = 1. Donc Z = T, ou T est un vecteur gaussien de R 3 dont les trois composantes sont iid centrées réduites Cas général 1. Le cas d une v.a. discrète à valeurs dans R d se traite comme celui d une variable aléatoire réelle discrète. 2. La méthode de rejet a été présentée dans la cas d une variable aléatoire à valeurs dans R d. 3. On peut encore utiliser les lois conditionnelles. Nous allons illustrer cette méthode, dite méthode récurrente, par un exemple: Exemple: On veut simuler un vecteur X,Y ) de loi uniforme sur le triangle ABC avec A =,), B = 1,1) et C =,1). On commence par déterminer la densité de cette loi: On peut alors calculer la densité de X: fx,y) = 21 x 1 1 y 1 1 x y. f X x) = 21 x)1 x 1, puis la densité de la loi conditionnelle de Y sachant X: f Y X y x) = 1 1 x 1 x y 1. Pour la simulation, on procède maintenant de la façon suivante: on simule X suivant sa densité en utilisant par exemple la méthode de la fonction de répartition), on obtient une valeur x, puis on simule Y suivant la densité f Y X y x) = 1 1 x 1 x y 1 on reconnait par exemple une loi usuelle). Remarque: Remarquons que la seconde étape ressemble beaucoup à la simulation par mélange. Exercice 13: Simuler un vecteur de loi fx,y,z)dxdydz, où fx,y,z) = 61 x>,y>,z> 1 x+y+z<1 : a) en utilisant les lois conditionnelles. 13
13 b) par la méthode du rejet. c) Comparer. Exercice 14: Simuler un vecteur de loi fx,y)dxdy, où fx,y) = 1 2 x + y)e x+y) 1 x> 1 y>. 14
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 détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailThéorème 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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailFonctions 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 détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailChapitre 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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailOptimisation 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 détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailCapes 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 détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailUn 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 détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailProgrammation 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 détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailCalcul 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 détailIV- Equations, inéquations dans R, Systèmes d équations
IV- Equations, inéquations dans R, Systèmes d équations 1- Equation à une inconnue Une équation est une égalité contenant un nombre inconnu noté en général x et qui est appelé l inconnue. Résoudre l équation
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailRappels et compléments, première partie : Nombres complexes et applications à la géométrie
Rappels et compléments, première partie : Nombres complexes et applications à la géométrie 1 Définition des nombres complexes On définit sur les couples de réels une loi d addition comme suit : (x; y)
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailTests 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 détailFonctions de plusieurs variables. Sébastien Tordeux
Fonctions de plusieurs variables Sébastien Tordeux 22 février 2009 Table des matières 1 Fonctions de plusieurs variables 3 1.1 Définition............................. 3 1.2 Limite et continuité.......................
Plus en détailIntroduction 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 détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailFonctions de plusieurs variables et applications pour l ingénieur
Service Commun de Formation Continue Année Universitaire 2006-2007 Fonctions de plusieurs variables et applications pour l ingénieur Polycopié de cours Rédigé par Yannick Privat Bureau 321 - Institut Élie
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailModélisation 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 détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détailPremière 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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailSimulation : application au système bonus-malus en responsabilité civile automobile
Simulation : application au système bonus-malus en responsabilité civile automobile Robert Langmeier Travail de séminaire réalisé sous la supervision du professeur François Dufresne Ecole des HEC Université
Plus en détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détailM2 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