1 Définition, existence, unicité.
|
|
- Bénédicte Aurélie Durand
- il y a 8 ans
- Total affichages :
Transcription
1 Université Denis Diderot Paris 7 Espérance conditionnelle Ces rappels et compléments de cours sont inspirés de [1], [2], [3]. Il va de soi que pour une bonne connaissance des notions qui suivent, il est absolument indispensable de s exercer à la pratique du calcul d espérances conditionnelles en tous genres. On se reportera en particulier à la feuille de TD pour cette pratique. 1 Définition, existence, unicité. On prend le parti de donner la définition générale de l espérance conditionnelle valable pour une variable aléatoire réelle (ou un vecteur aléatoire de R d ) intégrable. On notera. la norme euclidienne de R d. La définition est théorique et il est au premier abord difficile de se faire une intuition simple de sa signification, mais cette définition a le mérite de s appliquer à toutes les situations, et elle est souvent la caractérisation appropriée pour démontrer les propriétés de l espérance conditionnelle (voir partie 2.2). Comme on le verra par la suite, dans le cas d une variable de carré intégrable, cette définition générale coïncide avec la définition de projeté orthogonal sur le sous-espace de L 2 des variables G-mesurables. Cette deuxième caractérisation, même si elle offre un cadre plus restreint, a le mérite de rendre l intuition de l espérance conditionnelle plus compréhensible. Ainsi, dans ce cadre L 2, l espérance conditionnelle de X sachant G s avérera tout simplement être le meilleur estimateur G-mesurable de X ( meilleur au sens où il minimise la distance L 2 à X parmi les variables G-mesurables). Enfin, dans le cadre du conditionnement vis-à-vis d une tribu discrète, ou encore dans le cadre de conditionnement entre des variables qui possèdent une densité jointe, la définition générale conduit à des expressions simples et directement utilisables de l espérance conditionnelle. 1.1 Hypothèses générales et définition de l espérance conditionnelle Hypothèse 1.1. Dans la suite on suppose que (Ω, F, P) est un espace probabilisé. On suppose que X : (Ω, F ) (R d, B(R d )) est intégrable, i.e. que E[ X ] <. Enfin, on suppose que G est une sous-tribu de F. Dans ce qui suit, on raisonne toujours à indistinguabilité près, i.e. deux variables qui coïncident sauf sur un espace de mesure nulle sont considérées comme identiques. Définition 1.2. On définit l espérance conditionnelle de X sachant G et on note E[X G] toute variable aléatoire Y qui vérifie 1
2 Y est G-mesurable (1) A G, E[1 A X] = E[1 A Y]. (2) Notation : On écrira souvent E[X Z] en lieu et place de E[X σ(z)], ou encore E[X Z 1, Z 2,...] en lieu et place de E[X σ(z 1, Z 2,...)]. Le cas de la dimension d quelconque est en réalité essentiellement similaire au cas d = 1, ainsi pour ne pas alourdir les notations, on va supposer dans la suite (sauf mention contraire) que d = 1 et donc que X est une variable aléatoire réelle intégrable. Peut-être est-il bon de rappeler, qu une variable aléatoire réelle Y est G-mesurable si elle vérifie B B(R), Y 1 (B) G. Comme il se trouve que l ensemble d intervalles {], a[, a R} engendre la tribu borélienne, il suffit en fait (pour assurer la G-mesurabilité d une variable Y, i.e. la propriété (1) ci-dessus) de vérifier que 1.2 Intégrabilité, positivité a R Y 1 (], a[) = {Y < a} G. Lemme 1.3. Toute variable Y qui vérifie les propriétés (1), (2) est intégrable, et vérifie E[Y] = E[X]. Preuve : Soit A + = {Y > 0}. Puisque Y vérifie (1), A G, et donc d après (2), on obtient 0 E[Y1 A +] = E[X1 A +] E[ X 1 A +]. De même, Soit A = {Y < 0}. Puisque Y vérifie (1), A G, et donc d après (2), on obtient Finalement 0 E[ Y1 A ] = E[ X1 A ] E[ X 1 A ]. E[ Y ] = E[Y1 A + Y1 A ] E[ X ] <. Par ailleurs, puisque Ω G on a, toujours grâce à (2), E[Y] = E[Y1 Ω ] = E[X1 Ω ] = E[X]. Lemme 1.4. Si X 0 p.s. et Y vérifie les propriétés (1), (2), alors Y 0 p.s. Preuve : En gardant la notation A = {Y < 0} G de la preuve précédente, E[X1 A ] = E[Y1 A ] Or X1 A 0 p.s., par hypothèse, tandis que Y1 A 0 par définition de A. On en déduit que Y1 A = 0 p.s., c est-à-dire que Y 0 p.s. 2
3 1.3 Le cas L 2 Hypothèse 1.5. On suppose dans ce paragraphe que X est de carré intégrable, i.e. E[X 2 ] < (pour d > 1 on demanderait ici E[ X 2 ] < ). L espace L 2 = {Z : E[Z 2 ] < } est un espace préhilbertien, c est-à-dire que cet espace vectoriel de dimension infinie est muni d un produit scalaire. Le produit scalaire dans cet espace n est autre que Z 1, Z 2 = E[Z 1 Z 2 ] De plus, E = {Z : E[Z 2 ] <, Z est G-mesurable} est un sous espace fermé de L 2. Remarque 1.6. Notre Hypothèse 1.5 se résume à dire que X L 2. Le projeté orthogonal Π E (X) de X sur E existe et est unique. Bien entendu il définit une variable G-mesurable (c est simplement la définition de E), et donc Π E (X) vérifie (1). Mais de plus, le fait qu il s agisse d un projeté orthogonal assure que Z E, X Π E (X), Z = 0, et par linéarité de l espérance, ceci peut être réécrit Z E, E[XZ] = E[Π E (X)Z] Reste à noter que pour tout A G, 1 A est bien un élément de E, ce qui permet de conclure que Π E (X) satisfait (2), il est donc par définition un candidat de l espérance conditionnelle de X sachant G. Supposons alors que Y L 2 vérifie (1), (2). On a alors Y Π E (X), Z = 0 pour tout Z E, mais comme Y Π E (X) E on obtient E[(Y Π E (X)) 2 ] = 0, i.e. P(Y = Π E (X)) = 1. Conclusion : Sous l hypothèse 1.5, l espérance conditionnelle existe et est unique, et elle n est autre que le projeté orthogonal de X sur l espace des variables G-mesurables. L espérance conditionnelle est donc dans ce cas l unique variable G-mesurable qui minimise la distance entre X et les variables G-mesurables. En d autres termes, E[X G] est le meilleur prédicteur G-mesurable de X au sens où il minimise E [ (X E[X G]) 2]. Ceci devrait vous rappeler l estimateur des moindres carrés que vous connaissez du cours de statistiques, et bien évidemment, ce n est pas un hasard (voir la section sur le cas gaussien ci-après). 3
4 1.4 Existence et unicité de l espérance conditionnelle, le cas général Proposition 1. L espérance conditionnelle de X L 1 (Ω, F, P) existe et est unique. Remarque 1.7. On parle ici toujours, bien entendu, d unicité à indistinguabilité près. Commençons, pour prouver la proposition, par établir l unicité. Preuve de l unicité : Supposons que Y, Y vérifient (1), (2) Rappelons (cf le paragraphe 1.2) que Y, Y sont intégrables. Fixons ε > 0 et posons A ε = {Y Y ε}. D après le fait que Y et Y vérifient (1), A ε G et donc d après (2) et la linéarité de l espérance 0 = E[X1 Aε ] E[X1 Aε ] = E[(Y Y )1 Aε ] εp(a ε ), ce qui entraîne que P(A ε ) = 0. Comme ce raisonnement est valable ε > 0, on déduit que 0 = P( ε>0 A ε ) = P(Y Y > 0) i.e. Y < Y p.s. Par symétrie des rôles de Y, Y on obtient de même Y < Y p.s. et on conclut que P(Y = Y ) = 1. Ceci achève la preuve de l unicité. Pour l existence, on propose deux preuves d inspiration distinctes. La première est directe, et fait appel au théorème de Radon-Nykodym. La deuxième utilise un argument de densité et le résultat déjà prouvé pour les variables de carré intégrable (cf la section 1.3). Première preuve de l existence (via Radon-Nykodym) : Supposons tout d abord X L 1, X 0. On définit alors la mesure (finie) Q sur (Ω, G) telle que Q(A) = E[X1 A ], A G. Lemme 1.8. On a Q << P, et on peut donc définir sur (Ω, G) la variable Y := dq dp. En effet, si A G vérifie P(A) = 0, alors pour tout M > 0 E[X1 A ] = E[X1 0 X M 1 A ] + E[X1 X>M 1 A ] MP(A) + E[X1 X>M ]. Pour tout M > 0 le premier terme de la somme ci-dessus est nul car P(A) = 0. Par le théorème de convergence dominée (on domine par la variable X qui est intégrable), le deuxième tend vers 0 lorsque M, ce qui implique finalement Q(A) = 0. On a donc démontré que Q << P, le théorème de Radon-Nykodym permet de conclure la preuve du lemme. 4
5 La variable Y ainsi introduite est (par construction) G-mesurable, et de plus elle vérifie A G, E[Y1 A ] = E Q [A] = E[X1 A ]. La variable Y vérifie donc les propriétés (1) et (2) de la définition de l espérance conditionnelle, ce qui achève la preuve de l existence dans le cas d une variable positive. Lorsque X L 1 est quelconque, on pose X = X + X, où bien sûr, X + = max(x, 0) et X = max( X, 0) sont des variables intégrables et positives. On voit alors facilement qu en posant Y = E[X + G] E[X G], on obtient une variable aléatoire qui vérifie les deux propriétés requises, et on conclut que Y := E[X G]. Deuxième preuve de l existence (via les variables L 2 ) : Comme dans la première preuve on commence par supposer X L 1, X 0. La suite (X n := X n, n 0) est une suite de variables bornées (en particulier elles sont de carré intégrable) et X n croît presque sûrement vers X. D après le paragraphe 1.3, on peut donc considérer Y n = Π E (X n ) = E[X n G]. C est d après le lemme 1.4, une suite croissante de variables positives, et bien sûr G-mesurables. On pose alors Y := lim n Y n. Cette variable est G-mesurable (comme limite de telles variables). Fixons A G. En utilisant le théorème de convergence monotone on obtient que lorsque n E[1 A Y n ] E[1 A Y], E[1 A X n ] E[1 A X]. Mais d après (2) les deux suites ci-dessus coıincident, leurs limites coïncident donc également et comme le raisonnement est valable quelque soit A G on conclut que Y = E[X G]. La fin de la preuve est identique : pour une variable X L 1 quelconque on vérifie que Y = E[X + G] E[X G], satisfait bien les deux propriétés requises, et on conclut que Y := E[X G]. 2 Exemples fondamentaux d espérance conditionnelle, propriétés de l espérance conditionnelle 2.1 Exemples fondamentaux Exemple 2.1. Si X est G-mesurable, alors E[X G] = X. 5
6 Preuve : Par hypothèse, X vérifie (1), et il est immédiat de s assurer que X vérifie (2). Exemple 2.2. Si X est indépendant de G, alors E[X G] = E[X]. Preuve : La variable E[X] est constante, elle est donc H-mesurable pour toute tribu H, en particulier elle est donc G-mesurable et la propriété (1) est vérifiée. Soit A G ; X et 1 A sont deux variables indépendantes et donc E[1 A X] = P(A)E[X]. D autre part, puisque la variable E[X] est constante, on a bien sûr E[1 A E[X]] = E[X]P[A]. Comme le raisonnement est valable quelque soit A G, on conclut que E[X] vérifie (2). Exemple 2.3. Soit I un ensemble dénombrable et (Ω i, i I) une partition de Ω. On pose G = σ(ω i, i I). On a alors E[X1 Ωi ] E[X G] = P(Ω i ) 1 Ω i. i I:P(Ω i )>0 Remarque 2.4. Quitte à adopter la convention E[X1 Ω i ] P(Ω i ) E[X1 Ωi ] P(Ω i ) 1 Ω i = i I:P(Ω i )>0 i I = 0 lorsque P(Ω i ) = 0, on a E[X1 Ωi ] P(Ω i ) 1 Ω i. Preuve : Notons Y := E[X1 Ωi ] i I:P(Ω i )>0 P(Ω i 1 ) Ωi. Clairement Y est G-mesurable et vérifie donc (1). Soit i I tel que P(Ω i ) > 0. Puisque les (Ω i, i I) sont disjoints, on a E [ 1 Ωi Y ] [ ] E[X1Ωi ] = E P(Ω i ) 1 Ω i = E[X1 Ω i ] P(Ω i ) E[1 Ω i ] = E[X1 Ωi ]. Notons d autre part que lorsque P(Ω i ) = 0 on a toujours E[1 Ωi Y] = 0 = E[1 Ωi X]. Finalement, E[1 Ωi Y] = E[1 Ωi X] i I Enfin, puisque (Ω i, i I) est une partition, on sait que pour tout A G, il existe J I tel que A = i J Ω i. On déduit donc de l égalité ci-dessus et de la linéarité de l espérance que E [1 A Y] = E[1 A X], ce qui achève la vérification de (2). 6
7 Exemple 2.5. Soient X, Y deux variables réelles de densité jointe f, i.e. pour tout B B(R 2 ), P((X, Y) B) = f (x, y)dxdy. Soit g : R R borélienne telle que E[ g(x) ] <. On a alors E[g(X) Y] = φ(y), où φ : R R est une quelconque fonction borélienne telle que y R, φ(y) f (x, y)dx = g(x) f (x, y)dx. R Notons qu on peut se contenter de définir φ de la façon suivante : φ(y) = R g(x) f (x, y)dx ( φ(y) f (x, y)dx) 1 si φ(y) f (x, y)dx 0 R R 0 sinon. Preuve : Posons Z = φ(y). Puisque φ est borélienne il va de soi que Z est σ(y)-mesurable, et vérifie donc (1). Soit A σ(y), de sorte qu il existe B B(R) tel que A = {Y B}. Or E[φ(Y)1 A ] = φ(y) f Y (y)1 B (y)dy, R où, bien entendu, pour y R, f Y (y) = f (x, y)dx. Donc, par définition de φ, et Fubini, R E[φ(Y)1 A ] = g(x) f (x, y)1 B (y)dxdy = E[g(X)1 B (Y)], R R où on a utilisé la définition de la densité jointe pour obtenir la dernière égalité. La variable Z vérifie donc (2), ce qui achève la preuve. Exemple 2.6. On suppose que les variables X, Y sont indépendantes. Soit h : R 2 R borélienne telle que E[ h(x, Y) ] <. Alors E[h(X, Y) Y] = ψ(y), où y R, ψ(y) = E[h(X, y)]. Preuve : Comme précedemment, Z := ψ(y) vérifie immédiatemment (1). Soit A σ(y), i.e. il existe B B(R) tel que A = {Y B}. En notant P Y la loi de Y, on obtient E[ψ(Y)1 A ] = ψ(y)1 B (y)dp Y (y) R et par définition de ψ, en notant P X la loi de X, on a ( ) E[ψ(Y)1 A ] = h(x, y)dp X (x) 1 B (y)dp Y (y). R R 7 B R
8 L indépendance de X et de Y siginifie précisément que la loi jointe de (X, Y) n est autre que la loi produit P X P Y ; et par Fubini on en déduit donc E[ψ(Y)1 A ] = h(x, y)1 B (y)dp (X,Y) (x, y) = E[h(X, Y)1 A ], R 2 ce qui achève la preuve de (2). Remarque 2.7. On retrouve bien sûr Exemple 2.2 comme cas particulier de Exemple 2.6 (en posant simplement h(x, Y) = X). 2.2 Propriétés de l espérance conditionnelle : énoncés Remarque 2.8. Toutes les propriétés qui suivent sont vraies p.s., puisque l espérance conditionnelle est définie de façon unique à indistinguabilité près. Pour éviter d alourdir les énoncés on ne rappellera pas cette restriction. Propriété 2.9. Linéarité : Soient a, b des rééls, X intégrable, Propriété Positivité : Si X 0, intégrable, E[X G] 0. E[aX + b G] = ae[x G] + b. Propriété dite propriété de tour : Si X intégrable, a. E[E[X G]] = E[X]. b. Si G 2 G 1, E[E[X G 1 ] G 2 ] = E[X G 2 ], E[E[X G 2 ] G 1 ] = E[X G 2 ]. Propriété Chebychev conditionnel : Soit X une v.a.r. de carré intégrable, P( X a G) a 2 E[X 2 G]. Propriété Convergence monotone conditionnelle : Soit (X n, n 0) une suite croissante de v.a.r. intégrables, qui converge vers une variable X que l on suppose intégrable. Alors E[X n G] n E[X G]. Propriété Fatou conditionnel : Soit (X n, n 0) une suite de v.a.r. positives et intégrables, telle que lim inf n X n est une variable intégrable, alors E[lim inf n X n G] lim inf E[X n G]. n 8
9 Propriété Convergence dominée conditionnelle : Soit (X n, n 0) une suite de v.a.r. intégrables qui converge en probabilité vers X, et on suppose qu il existe U intégrable telle que n 0; X n U. Alors lim E[X n G] = E[X G]. n Propriété Jensen conditionnel : Si φ est convexe et X, φ(x) sont intégrables alors φ(e[x G]) E[φ(X) G]. Remarque En particulier si X L p, la propriété précédente implique que et d après Propriété 2.11 on déduit que E[X G] p E[ X[ p G], E[X G] p X p. Propriété Cauchy conditionnel : Soient X et Y des v.a.r. de carré intégrable. Alors E[XY G] 2 E[X 2 G]E[Y 2 G]. Propriété Si X est G-mesurable et si E[ XY ] < alors E[XY G] = XE[Y G]. Propriété formule de Bayes généralisée : pour G G P(A G)dP G P(G A) = P(A G)dP. Ω Propriété Moindre carré (moyen) : Si X est de carré intégrable, E[X G] est la variable Y G-mesurable qui minimise E[(X Y) 2 ]. Propriété Pythagore : Si X est de carré intégrable et G 2 G 1 alors E[(X E[X G 2 ]) 2 ] = E[(X E[X G 1 ]) 2 ] + E[(E[X G 1 ] E[X G 2 ]) 2 ]. Propriété Si X est de carré intégrable et si Var[X G] := E[X 2 G] E[X G] 2, Var[X] = E [Var[X G]] + Var [E[X G]]. 9
10 2.3 Preuves des propriétés 1. Le membre de droit est clairement G-mesurable, et il vérifie (2) grâce à la linéarité de l espérance. On conclut par unicité. 2. On avait déjà enoncé et démontré cette propriété dans la partie précédente (cf Lemme 1.4). 3. a. est simplement (2) appliqué à A = Ω, qui est bien un élément de G. La deuxième égalité de b. est une simple application de l Exemple 2.1. Quant à la première égalité, elle nous fournit un candidat G 2 mesurable (Y := E[X G 2 ]) pour E[E[X G 1 ] G 2 ]. Or si A G 2 (d après l hypothèse G 2 G 1, A appartient à G 1 également), on peut utiliser (2) à deux reprises (dans la première égalité ci-dessous, pour l espérance conditionnelle vis-à-vis de G 2, et dans la deuxième égalité ci-dessous, pour l espérance conditionnelle vis-à-vis de G 1, puisque A G 1 ) pour obtenir ce qui assure le résultat. E[Y1 A ] = E[X1 A ] = E[E[X G 1 ]1 A ], 4. Reprendre la preuve de l inégalité traditionnelle de Chebychev pour se rendre compte qu il s agit là d une simple conséquence de la positivité de l espérance conditionnelle (Propriété 2.10). 5. Posons Y n = X X n, qui est positive, et intégrable pour tout n puisque X, X n le sont. La suite Z n := E[Y n G] (qui n est autre que E[X G] E[Y n G] d après la Propriété 2.9 de linárité) est donc d après Propriété 2.10, une suite décroissante de v.a.r. positives et intégrables, elle converge donc vers une variable Z positive, intégrable. De plus, d après le théorème de convergence monotone traditionnel, E[Y n ] 0 lorsque n. Ainsi, pour A G, lorsque n E[1 A Y n ] E[Y n ] 0. Mais d après (2), E[1 A Y n ] = E[Z n 1 A ]. Ceci étant valable pour tout A G et Z étant G-mesurable, positive, on conclut par l argument habituel que Z = 0, ce qui achève la démonstration. 6. C est la même preuve que celle de Fatou traditionnel, en utilisant le théorème de convergence monotone conditionnel en lieu et place du théorème de convergence monotone habituel. 7. La preuve du résultat non conditionnel s adapte ici également sans heurts, cette fois on utilise Fatou conditionnel en lieu et place de Fatou habituel. 8. Le résultat est évident si φ est affine en utilisant Propriété 2.9. Dans le cas général, il suffit de voir une fonction convexe comme le supremum des fonctions affines qui la minorent : φ(x) = sup{ f (x) : f ( ) = a +b, f φ} 10
11 Or pour de tels φ, f ( ) = a +b, φ f, on a bien sûr par la Propriété 2.10 E[φ(X) G] E[aX + b G] = f (E[X G]) et on conclut en passant au supremum sur toutes les fonctions f affines majorées par φ. 9. Cette inégalité découle de l observation que pour tout θ R, d après Propriétés 2.9, E[(X + θy) 2 G] = E[X 2 G] + 2θE[XY G] + θ 2 E[Y 2 G], et que donc le discriminant de ce polynôme de la variable θ est négatif. 10. Remarquons que Z = XE[Y G] fournit un cadidat G mesurable pour E[XY G]. Reste à vérifier (2). Commençons par le cas où Y = 1 B pour un certain B indépendant de G. On a alors pour A G, E[XY1 A ] = E[X1 A 1 B ] = E[X1 A ]P(B) = E(XP(B)1 A ), comme souhaité. Par linéarité, on étend le résultat aux variables Y étagées, indépendantes de G. Lorsque Y est positive, indépendante de G, on peut approcher Y par une suite de fonctions étagées positives, indépendantes de G et conclure grâce au théorème de convergence monotone conditionnel Propriété Enfin si Y est seulement supposée indépendante de G, il suffit de la décomposer en Y + Y (qui sont toutes deux indépendantes de G), utiliser le résultat précédent et à nouveau la linéarité. 11. Par définition P[A G] = E[1 A G] et donc d après (2), P(A G) = E[1 A 1 G ] = E[E[1 A G]1 G ] = E[1 A G]dP. G De manière similaire (en remplaçant G par Ω dans le raisonnement précédent), on obtient P(A) = E[1 A G]dP, Ω ce qui permet de conclure. Remarque Dans le cas où G est engendrée par une partition dénombrable {Ω i, i I}, et G = Ω j pour un certain j I, utilisons l Exemple 2.3 pour voir que la formule de Bayes généralisée se réduit alors à la formule de Bayes usuelle P(Ω j A) = P(A Ω j ) P(Ω j ) P(Ω j ) P(A Ω i ) i I P(Ω i P(Ω ) i ) = P(A Ω j )P(Ω j ) i I P(A Ω i )P(Ω i ) 11
12 12. On a déjà enoncé et démontré cette propriété dans la partie précédente. 13. D après la partie précédente, il s agit bien du théorème de Pythagore, appliqué dans l espace euclidien L 2 (Ω, F, P) et ses sous-espaces des variables G 1 (respectivement G 2 )-mesurables. 14. Par définition E [Var[X G]] = E [ E[X 2 G] E[X G] 2] = E[X 2 ] E [ E[X G] 2] = E [ (X E[X G]) 2], où, pour obtenir la dernière égalité, on a utilisé (2) pour voir que E[XE[X G]] = E [ E[X G] 2]. Il suffit alors d appliquer la Propriété 2.22 avec G 1 = G, G 2 = {Ω, }, de sorte que E[X G 2 ] = E[X], Var[X G 2 ] = Var[X], pour obtenir Var[X] = E[(X E[X G]) 2 ] + Var[E[X G]], ce qui, d après ce qui précède, est le résultat souhaité. 3 Le cadre gaussien 3.1 Quelques rappels On commence par se contenter de rappeler quelques définitions et résultats sur les lois gaussiennes multivariés. On peut par exemple trouver les preuves des résultats mentionnés dans ce paragraphe dans le chapitre 4 de [2], ou encore dans le chapitre 3 du cours polycopié [3]. On note S n (R) l espace des matrices symétriques et inversibles, de taille n n, à coefficients réels. D autre part on note T la transposée (d un vecteur ou d une matrice). Enfin, on note, le produit scalaire euclidien sur R n (de sorte que x, y = x T y) et rappelons que. désigne la norme euclidienne sur R n. Définition 3.1. On dit que le vecteur X R n suit la loi gaussienne multivariée (non-dégénérée) de moyenne µ R n et de matrice de covariance (inversible) M S n (R) si la loi de X possède une densité f X vis-à-vis de la mesure de Lebesgue sur R n qui s écrit f X (x) = On note dans ce cas X N(µ, M). 1 (2π) n/2 det(m) 1/2 exp ( (x µ) T M 1 (x µ) ). 12
13 Proposition 1. Soit X N(µ, M). Alors pour tout a R n, ( Φ X (a) := E(exp(ia T X) = exp ia T µ 1 ) 2 at Ma. Réciproquement, si X possède une telle fonction caractéristique pour une certaine matrice M, alors X N(µ, M). La proposition ci-dessus permet d étendre la définition préc dente au cas dégénéré det(m) = 0. Mais il faut bien noter que dans ce cas, la loi de X R n ne possède plus une densité vis-à-vis de la mesure de Lebesgue sur R n. En fait, si M est de rang k < n, on peut établir qu il existe un sous-e.v. H R n de dimension n k tel que pour tout a H, a T X est presque sûrement constant. Définition 3.2. On dit que X R n est un vecteur gaussien si y R n, X, y suit une loi gaussienne. Proposition 2. Soit X N(µ, M). Alors X est un vecteur gaussien. Réciproquement, si X est un vecteur gaussien, et si la matrice de covariance de ses coordonnées est inversible, alors X suit une loi gaussienne multivariée. Propriété 3.3. Soit X N(µ, M). a. Soit a R n. Alors a T X suit une loi normale de moyenne a T µ et de variance a T Ma. b. Une transformation affine de X est toujours un vecteur gaussien. Plus précisément, si A est une matrice p n, et b R p AX + b (vecteur alátoire de R p ) N(Aµ + b, AMA T ). Propriété 3.4. Soient un vecteur aléatoire gaussien (X, Y) R p+q. Les vecteurs X R p, Y R q sont indépendants si et seulement si leur matrice de covariance croisées E[(X E[X]) T (Y E[Y])] est une matrice nulle. Remarque 3.5. Cette proposition se généralise facilement au cas où l on considère un vecteur gaussien se décomposant en k vecteurs de matrice de covariances croisées toutes nulles. Mais il faut bien faire attention : l hypothèse que le vecteur aléatoire initial (X, Y) est un vecteur gaussien est absolument fondamentale pour cette caractérisation d indépendance (remarquer que ceci revient à supposer que la loi jointe est gaussienne). Elle n est certainement pas valable pour un vecteur aléatoire quelconque (et même si ce vecteur a toutes ses coordonnées gaussiennes!). Penser à l exemple X N(0, 1), Y = εx où ε Ber(1/2) et ε est indépendant de X. Il est facile que Y N(0, 1). De plus, cov(x, Y) = E[X 2 1 ε=1 ] E[X 2 1 ε=1 ] = E[X 2 ](P(ε = 1) P(ε = 1)) = 0, où on a utilisé l indépendance de X et ε à la deuxième égalité ci-dessus. 13
14 3.2 Calcul d espérances conditionnelles dans le cadre gaussien ( ) ξ Proposition 3. Soit un vecteur normal X N(µ, M) tel que X =, θ ( ) ( ) ξ R k, θ R l µθ Mξξ M, avec p = k + l, µ = et M = ξθ, où M ξξ est une matrice k k, µ ξ M θθ est une matrice l l, et M ξθ = M T est une matrice k l. Supposons que det(m) > 0. θξ Alors : (i) Presque sûrement, M θξ M θθ E(θ ξ) = µ θ + M θξ M 1(ξ µ ξξ ξ), V(θ ξ) = M θθ M θξ M 1M ξξ ξθ. (3) (ii) La loi conditionnelle de θ sachant ξ est une loi gaussienne N(µ θ + M θξ M 1(ξ µ ξξ ξ), M θθ M θξ M 1M ξξ ξθ). (iii) Les vecteurs aléatoires ξ et θ M θξ M 1 ξ sont indépendants. ξξ Preuve : On se contente de montrer la proposition dans le cas µ = 0, il est ensuite facile de généraliser le résultat au cas général en ajoutant les constantes appropriées. Soit L 2 ξ (Rl, P) l espace des vecteurs aléatoires de norme carrée intégrable (à l coordonnées), σ(ξ)-mesurables ; qui est un sous espace de L 2 ξ (Rl, P), les vecteurs aléatoires de norme carrée intégrable. Lemme 3.6. M θξ M 1 ξξ ξ n est autre que la projection de θ sur L2 ξ (Rl, P). Notons tout d abord que η := θ M θξ M 1 ξ est orthogonal à ξ, puique la matrice de ξξ covariances croisées de η et ξ est Cov(η, ξ) = Cov(θ, ξ) Cov(M θξ M 1 ξξ ξ, ξ) = M θξ M θξ M 1 ξξ M ξξ = 0. D après Proposition 3.4, ceci assure la partie (iii) de la Proposition. Pour une fonction g mesurable telle que E[ g(ξ) θ ] <, on obtient donc gâce à l indépendance de ξ et η que E[g(ξ)η] = E[g(ξ)η] + E[g(ξ)(θ η)] = E[g(ξ)]E[η] + E[g(ξ)(θ η)] = E[g(ξ)(θ η)], où on a utilisé le fait que η est centré pour obtenir la deuxième égalité. La variable θ η vérifie donc (1). Comme θ η = M θξ M 1 ξ est σ(ξ)-mesurable, il s agit bien de l espérance ξξ conditionnelle de θ sachant ξ. 14
15 Pour la variance conditionnelle, on utilise la σ(ξ)-mesurabilité de θ η et l Exemple 2.1 ; l indépendance de η et ξ et l Exemple 2.2 pour écrire Var[θ ξ] = Var[η ξ] = Var[η]. Cette variance se calcule facilement grâce à Propriété 3.3 et on obtient le résultat souhaité, et on conclut la preuve de (i). Rappelons notre décomposition clé : θ = η + M θξ M 1 ξξ ξ, autrement dit θ est somme de vecteurs gaussiens centrés, le premier étant indépendant de σ(ξ), le deuxième étant σ(ξ)-mesurable. La loi du premier terme de la somme n est donc pas affectée par le conditionnement, tandis qu au contraire le conditionnement rend la deuxième variable constante. La loi conditionnelle de θ sachant ξ est donc une N(M θξ M 1 ξ, Var(η)), ce qui achève la preuve de (ii). ξξ Remarque 3.7. Pour faire les calculs dans la pratique ; si les vecteurs n ont que peu de coordonnées, on peut se contenter de déterminer la décomposition, ce qui revient à trouver η comme l unique transformation affine de (θ, ξ) qui est indépendante de ξ. Références [1] R. Durrett, Probability Theory and Examples, 3rd ed. [2] G. Grimmett and D. Stirzaker, Probability and Random Processes. [3] A. Tsybakov, Statistique appliquée, polycopié de cours, (http :// salmon/enseignement/ensae/statappli tsybakov.pdf) 15
Espérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailIntégration et probabilités TD1 Espaces mesurés 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 détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en 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 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 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 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 détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en 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 détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en 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 détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en 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 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 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 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 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 détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailThéorie de la Mesure et Intégration
Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 & UE LM365 Intégration 2 Année 2010 11 Théorie de la Mesure et Intégration Responsable des cours : Amaury LAMBERT
Plus en 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 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 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 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 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 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 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 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 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 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 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 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 détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
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 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 détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en 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 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 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 détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailCalculs de probabilités
Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile
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 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 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 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 détailIntégration sur des espaces produits
Chapitre 5 Intégration sur des espaces produits 5.1 Produit de deux mesures Étant donnés deux espaces mesurés (Ω 1, F 1, µ 1 ) et (Ω 2, F 1, µ 2 ), le but de cette section est de construire une mesure
Plus en 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 détailThéorie de la Mesure et Intégration
Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY 2 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble
Plus en détailRelation d ordre. Manipulation des relations d ordre. Lycée Pierre de Fermat 2012/2013 Feuille d exercices
Lycée Pierre de Fermat 2012/2013 MPSI 1 Feuille d exercices Manipulation des relations d ordre. Relation d ordre Exercice 1. Soit E un ensemble fixé contenant au moins deux éléments. On considère la relation
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 détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailLe produit semi-direct
Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.
Plus en 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 détailThéorie de la mesure. S. Nicolay
Théorie de la mesure S. Nicolay Année académique 2011 2012 ii Table des matières Introduction v 1 Mesures 1 1.1 Sigma-algèbres................................. 1 1.2 Mesures.....................................
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en 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 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 détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en 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 détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
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 détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en 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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailExemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4
Plus en 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 détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
Plus en 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 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 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 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 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 détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailNOTATIONS PRÉLIMINAIRES
Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel
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 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 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 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 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 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 détailMESURE ET INTÉGRATION EN UNE DIMENSION. Notes de cours
MSUR T INTÉGRATION N UN DIMNSION Notes de cours André Giroux Département de Mathématiques et Statistique Université de Montréal Mai 2004 Table des matières 1 INTRODUCTION 2 1.1 xercices.............................
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailConstruction de l'intégrale de Lebesgue
Université d'artois Faculté des ciences Jean Perrin Mesure et Intégration (Licence 3 Mathématiques-Informatique) Daniel Li Construction de l'intégrale de Lebesgue 10 février 2011 La construction de l'intégrale
Plus en 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 détailIntégrale de Lebesgue
Intégrale de Lebesgue L3 Mathématiques Jean-Christophe Breton Université de Rennes 1 Septembre Décembre 2014 version du 2/12/14 Table des matières 1 Tribus (σ-algèbres) et mesures 1 1.1 Rappels ensemblistes..............................
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en 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 détail