Cours de Mathématiques. Intégrale de Lebesgue et Probabilités H. DOSS
|
|
- Andrée Paquette
- il y a 8 ans
- Total affichages :
Transcription
1 Uiversité Paris Dauphie Départemet MIDO Cours de Mathématiques Itégrale de Lebesgue et Probabilités H. DOSS
2 Table des matières 1 Espaces de probabilité et Itégratio Présetatio Défiitio Exemples associés à la défiitio Defiitio Exemples associés à la défiitio Propositio Probabilités coditioelles, idépedace Exemple Défiitio Propositio 2 (Formule de Bayes) Défiitio Propositio Défiitio 4 bis Propositio 4 (Lemme de Borel-Catelli) Variables aléatoires Défiitio Propositio Propositio Propositio Défiitio Propositio Espérace des variables aléatoires réelles et itégratio Défiitio Propositio Défiitio Itégratio des variables aléatoires étagées positives Défiitio Propositio Itégratio des variables aléatoires réelles positives Défiitio Lemme Propositio Propositio Défiitio Itégratio des variables aléatoires réelles Défiitio Propositio I
3 1.7.3 Défiitio Propositio Défiitio 15 (espérace des variables aléatoires réelles) Propositio 16 (loi d ue variable aléatoire) Théorèmes de covergece Théorème 1 (Beppo-Levi) Théorème 2 (Lemme de Fatou) Théorème 3 (Théorème de Lesbesgue ou de «covergece domiée») Propositio 17 (lie avec l itégrale de Riema) Propositio Espaces produits, idépedace Espaces produits Théorème Théorème 2 (de Fubii) Défiitio Théorème Démostratio du théorème Démostratio du théorème Propositio Théorème Idépedace Défiitio Propositio Propositio Propositio Propositio Défiitio Propositio Défiitio Propositio Défiitio Propositio Calculs de lois, foctios caractéristiques et variables aléatoires gaussiees Gééralités Propositio Propositio Propositio Variables aléatoires vectorielles Propriétés de la matrice de dispersio Calculs de lois Rappel de quelques lois usuelles Calculs de loi Foctios caractéristiques Défiitio Propositio Théorème 1 fodametal II
4 3.3.4 Propositio Propositio Propositio Trasformée de Laplace Défiitio Propositio Propositio Foctios géératrices Défiitio Propositio Vecteurs aléatoires gaussies Défiitio Propositio Lemme Propositio Propositio Propositio Propositio Appedice Lois des grads ombres et théorème cetral limite Différets modes de covergece des variables aléatoires Propositio Propositio Lois des grads ombres Théorème Théorème 2 (Loi forte des grads ombres) Théorème 3 (Loi du logarithme itéré) Covergece e loi Théorème de Paul Lévy Théorème Propositio Théorème 5 (Théorème Cetral Limite) Espérace coditioelle Théorème 1 (fodametal) Propositio Propositio Propriétés de l espérace coditioelle Théorème Propositio Théorème Défiitio Défiitio Espaces L P Théorème Espérace coditioelle das L Cas des vecteurs gaussies Théorème III
5 IV
6 Chapitre 1 Espaces de probabilité et Itégratio 1.1 Présetatio La théorie des probabilités propose u modèle mathématique qui red compte de la otio ituitive d expériece aléatoire (i.e. dot le résultat est soumis au «hasard»). La première démarche cosiste à itroduire l esemble Ω dot les élemets costituet tous les résultats possibles de l expériece puis à distiguer ue classe a de sous-esembles de Ω qu o appelle «évéemets», vérifiat certaies propriétés aturelles et efi à affecter u poids P(A) [0, 1] à tout évéemet A a qui sera la probabilité de A. Plus précisémet, la classe a doit être ue tribu sur Ω et la correspodace A P(A) ue mesure positive de masse totale égale à Défiitio 1 1. Soit Ω u esemble. O appelle tribu sur Ω u sous esemble a de l esemble P(Ω) des parties de Ω tel que : φ et Ω appartieet à a. si A a alors A c a. si (A ) est ue suite d élémets de a alors A a et A a Le couple (Ω,a) s appelle u espace mesurable 2. U espace mesurable (Ω,a) état doé, ue mesure positive de masse totale égale à 1 ou probabilité sur a est ue applicatio P de a das [0, 1] vérifiat : si (A ) est ue suite d élémets de a deux à deux disjoits, alors ( ) P A = P(A ) 1
7 P(Ω) = 1 Le triplet (Ω,a, P) s appelle u espace de probabilité. L espace etier Ω représete l évéemet certai, φ l évéemet impossible (P(φ) = 0 car φ φ = φ et φ φ = φ doc P(φ) = P(φ φ) = P(φ) + P(φ) ), le complémetaire A c représete l évéemet cotraire de A, l itersectio A B des évéemets A et B représete l évéemet «A et B ot lieu», la réuio A B représete l évéemet «A ou B a lieu» (attetio : ou est pas exclusif!), les itersectios ou réuios déombrables d évéemets sot itroduits pour l étude des phéomèes asymptotiques, efi l iclusio correspod à l implicatio Exemples associés à la défiitio 1 1. U joueur effectue quatre parties de pile ou face : Ω = { (x 1, x 2, x 3, x 4 ), x i {0, 1} } 2. U joueur lace u dé trois fois de suite : Ω = { (x 1, x 2, x 3 ), x i {1, 2, 3, 4, 5, 6} } 3. Observatio de la durée de vie d u idividu : Ω = R + 4. Observatio du ombre d appels passat par u cetral téléphoique tous les jours d ue semaie : Ω = N 7 5. Observatio, pedat u itervalle de temps [t 1, t 2 ], du mouvemet de diffusio d ue particule das l espace : Ω = C ( [t 1, t 2 ], R 3) 6. U jeu de pile ou face de durée fiie ou ifiie : Ω = {0, 1} avec ( N) ou Ω = {0, 1} N Das les cas où l esemble Ω est fii ou déombrable, la tribu que l o cosidère est, e gééral, la tribu P(Ω) des parties de Ω et la doée d ue probabilité sur l espace discret (Ω, P(Ω)) équivaut à la doée d ue famille (p(ω)) ω Ω de ombres positifs vérifiat : p(ω) = 1 ω Ω La probabilité d u évéemet A P(Ω) est alors défiie par la formule : P(A) = ω A p(ω) Lorsque Ω est fii, des cosidératios de symétrie coduiset souvet à supposer que p(ω) e déped pas de ω Ω. O a alors : p(ω) = 1 Card(Ω) 2
8 et P(A) = Card(A) ombres de cas favorables à A = Card(Ω) ombre de cas possibles (loi uiforme) Lorsque l espace Ω est pas déombrable, par exemple Ω = R ou Ω = R d ou même u espace métrique, o utilise souvet la otio suivate : Defiitio 2 Soit C P(Ω), ue famille quelcoque de parties de Ω ; o appelle tribu egedrée par C, la plus petite tribu sur Ω (au ses de l iclusio) coteat C ; o la ote σ(c). L itersectio d ue famille quelcoque de tribus état ue tribu, et P(Ω) état ue tribu sur Ω coteat C, o voit que : σ(c) = T tribu C T Exemples associés à la défiitio 2 1. Si C = {A} où A Ω, A φ alors σ(c) = {A, A c, Ω, φ} Si C = {A 1, A 2,, A }, A i Ω, A i φ, détermier σ(c) (cosidérer d abord le cas = 2). 2. Si Ω est mui d ue structure d espace métrique, o peut cosidérer la famille C de tous les ouverts de Ω ; la tribu egedrée par C est alors appelée tribu boréliee de Ω et otée souvet B Ω. Remarquer que, si C est la famille de tous les fermés de Ω, o a aussi B Ω = σ(c ) = σ(c). 3. Si Ω = R d (d N ) la tribu B R d est egedrée par la famille C de tous les pavés de la forme d ]a i, b i [ où a i < b i, a i Q, b i Q i=1 Soit (Ω, a) u espace mesurable quelcoque ; le problème de la costructio d ue mesure de probabilité P sur a peut être o trivial. O a cepedat les exemples suivats. 4. Soiet (a k ) ue suite fixée de poits de Ω et (α k ) ue suite fixée de ombres positifs tels que k α k = 1. Pour tout A a, posos : P(A) = k 0 α k.1 A (a k ) (*) T où 1 A (a k ) = { 0 si ak A 1 si a k A O vérifie facilemet qu o défiit aisi ue mesure de probabilité P sur a. Lorsque a Ω est fixé, la mesure de probabilité défiie par : A a P(A) = 1 A (a) 3
9 est appelée masse de Dirac au poit a et otée δ {a}. La probabilité P défiie par la formule (*) est doc doée par P = k 0 α k.δ {ak } 5. O appelle foctio de répartitio sur R, toute applicatio F de R das [0, 1], croissate, cotiue à droite, telle que lim F(t) = 1 t + lim F(t) = 0 t Il existe alors (Théorème admis) ue uique probabilité P sur l espace mesurable (Ω = R, B R ) telle que O a alors, pour tout t R : s t : P( ]s, t]) = F(t) F(s) P({t}) = lim P( ]s, t]) = F(t) lim F(s) = F(t) F(t 0 ) = F(t) s t s<t s t s<t Si la foctio F est cotiue e t, le «saut» de F e t : F(t) est ul et P({t}) = 0. O dira que P est «diffuse» lorsque P({t}) = 0, t. Si pour tout N, F() = α où α 0, vérifie α = 1, o voit que P est ue probabilité discrète portée par N telle que : N P({}) = α Si, par cotre, il existe ue applicatio f : R R + cotiue par morceaux (positive) telle que et vérifiat + t R F(t) = f(x)dx = 1 t f(x)dx o voit que F est ue foctio de répartitio cotiue et que la probabilité P associée à F vérifie : s t P( ]s, t]) = t s f(x)dx O dira que P est la probabilité de desité f et o otera P(dx) = f(x)dx. O peut, de la même faço, défiir des probabilités de desité f sur (R d, B R d) Propositio 1 Soiet (Ω,a, P) u espace de probabilité et A, B, A ( N) des évéemets. Alors : 1) A B P(A) P(B) 4
10 2) ( ) P A P(A ) N N 3) Si pour tout, A A +1, o a : ( ) P A = lim P(A ) = sup P(A ) N Si pour tout, A +1 A, o a : ( ) P A = lim P(A ) = if P(A ) N Démostratio : 1) O suppose A B, alors : A = B (A\B) avec B (A\B) = doc P(A) = P(B) + P(A\B) P(B) 3) Si pour tout, A A +1, o voit que les évéemets A 0, A 1 \A 0, A 2 \A 1,..., A +1 \A,... sot disjoits de réuio A = A et doc P(A) = P A 0 + 0(A +1 \A ) = P (A 0 ) + 0 P(A +1 \A ) { 1 } = P(A 0 ) + lim (P(A m+1 ) P(A m )) m=0 = lim P(A ) (pour ue uio d évéemets deux à deux disjoits, o remplacera, par commodité, le symbole par le symbole +). Si pour tout, A +1 A, o a alors (( A ) C) P( A ) = 1 P = 1 P ( ) A C = 1 lim P(AC ) = lim P(A ) 2) Posos, pour tout, A = m=0 A m ; alors A A +1 et A = A doc : P( A ) = lim P(A ) lim car A et B état deux évéemets quelcoques, m=0 P(A m ) = 0 P(A ) P(A B) = P (A + (B\A)) = P(A) + P(B\A) P(A) + P(B) 5
11 et doc, par récurrece sur P(A ) = P( m=0 A m ) P(A m ) m=0 1.2 Probabilités coditioelles, idépedace Supposos, qu e étudiat ue expériece aléatoire représetée par u espace (Ω,a, P), o sache déjà qu u évéemet A a (de probabilité P(A) > 0) s est produit. Il est alors ituitif que les probabilités des évéemets B a doivet être modifiées Exemple Soit Ω = {ω 0, ω 1,...,ω } u espace fii. O suppose que P représete le tirage d u poit de Ω selo la loi uiforme. O a doc P ({ω k }) = 1 Card(Ω) et si B Ω, P(B) = Card(B) Card(Ω) Soit A Ω. Quelle est la probabilité qu u poit tiré soit das B, sachat qu il est das A? C est : Défiitio 3 Card(A B) Card(A) = P(A B) P(A) Soiet (Ω,a, P) u espace de probabilité et A a tel que P(A) > 0. O appelle probabilité coditioelle de B a sachat A, le ombre P(B/A) = P(A B) P(A) Propositio 2 (Formule de Bayes) Soit (A ) ue suite fiie ou ifiie d évéemets deux à deux disjoits tels que Ω = A (partitio de Ω) et P(A ) > 0, pour tout, alors : B a, o a P(B) = P(B/A ).P(A ) Démostratio O a : B = B Ω = B ( A ) = (B A ) doc ( ) P(B) = P (B A ) = P(B A ) = P(B/A ).P(A ) O dira que deux évéemets A et B sot idépedats si P(B/A) = P(B) et doc si P(A B) = P(A).P(B) 6
12 1.2.4 Défiitio 4 Ue suite fiie A 1, A 2,, A d évéemets est dite idépedate si P(A i1 A i2... A ik ) = P(A i1 ).P(A i2 )..P(A ik ) pour toute suite i 1 < i 2 <... < i k d etiers {1, 2,..., } deux à deux disticts. (N.B. o otera, par commodité, A.B pour désiger l itersectio A B de deux évèemets.) Si A a, soit σ(a) = {, Ω, A, A C } la tribu egedrée par A Propositio 3 Pour que la suite A 1, A 2,, A d évéemets das l espace de probabilité (Ω,a, P) soit idépedate il faut et il suffit que P(B 1 B 2... B ) = P(B 1 ).P(B 2 )..P(B ) quels que soiet les B m apparteat à σ(a m ), m = 1, 2,..., Démostratio Pour tout i {1, 2,..., }, soit A i = A i ou A C i. O a, e fait, l équivalece : (A 1, A 2,, A ) idépedate (A 1, A 2,, A ) idépedate. Il suffit, par récurrece de vérifier que : (A 1, A 2,, A ) idépedate (A 1, A 2,, A ) idépedate ce qui est facile et laissé e exercice Défiitio 4 bis Soit (A i ) i I ue famille d évéemets das l espace (Ω,a, P) où I est u esemble quelcoque d idices. O dit que la famille (A i ) i I est idépedate (ou que les A i, (i I) sot idépedats) si pour tout sous-esemble J fii, J I, o a P( A i ) = P(A i ) i J i J Soit (A ) N ue suite d évéemets das l espace (Ω,a, P). O défiit : lim A = {ω Ω tels que, pour ue ifiité d etiers : ω A } O vérifie aisémet que : lim A = {ω Ω : 0 1 A (ω) = + } = ( m A m ) a Propositio 4 (Lemme de Borel-Catelli) Soit (A ) N ue suite d évéemets. O a 1. 0P(A ) < P(lim A ) = 0 7
13 2. Si la suite (A ) N est idépedate et si 0 P(A ) = + alors P(lim A ) = 1 Démostratio : 1. O a, lorsque P(A ) < : P(lim A ) = P( ( m A )) = lim P( A m) m { lim P(A ) } = 0 m 2. O suppose que P(A ) = + et que la suite (A ) est idépedate, alors : car P { (lim A ) C} = P { ( A C m )} m = lim P{ A C } m = 0 m P { A C } m = lim P{ k A C } m k m= m = lim k m= lim k e k (1 P(A m )) k m= P(Am) = 0 ( o a utilisé le fait que : x 0 (1 x) e x ) 1.3 Variables aléatoires Défiitio 5 Soiet (Ω,a, P) u espace de probabilité et (F, B) u espace mesurable quelcoque. O dit qu ue applicatio X de (Ω,a) das (F, B) est ue variable aléatoire (e abrégé : v.a.) si pour tout B B alors X 1 (B) a. E Aalyse, o dit aussi que X, vérifiat la propriété précédete, est ue applicatio a B mesurable (ou, tout simplemet, mesurable s il y a pas d ambiguité). Lorsque l espace F est fii ou déombrable, la tribu B est, e gééral, égale à P(F) et o voit qu ue applicatio X de (Ω,a) das F est ue variable aléatoire si, pour tout x F o a X 1 ({x}) = (X = x) a. O dit, das ce cas, que X est ue variable aléatoire discrète. Lorsque F = R = R {+ } { }, mui de sa tribu boréliee B R (egedrée par les ouverts de R aisi que par les poits {+ }, { }), o dit que X est ue variable aléatoire réelle (v.a.r.) Propositio 5 1. Pour qu ue applicatio X de (Ω,a) das (F, B) soit ue variable aléatoire, il suffit que, C état ue famille de parties de F qui egedre B (σ(c) = B), o ait : pour tout C C : X 1 (C) a (**). 8
14 2. Lorsque Ω et F sot des espaces métriques, muis respectivemet de leurs tribus boréliees, toute applicatio cotiue X, de Ω das F, est mesurable. Démostratio : 1. O suppose que σ(c) = B et que la propriété (**) est satisfaite. Soit B = {B F tel que X 1 (B) a} a état ue tribu sur Ω, o vérifie facilemet que B est ue tribu sur F. De plus, la propriété (**) sigifie que C B. Doc σ(c) = B B et X est bie ue variable aléatoire. 2. O sait qu ue applicatio X de Ω das F est cotiue, si pour tout ouvert C de F, X 1 (C) est u ouvert de Ω. L assertio 2) est doc ue coséquece immédiate de 1) et de la défiitio d ue tribu boréliee Propositio 6 Soiet (Ω,a), (F, B) et (T, S) trois espaces mesurables, X ue applicatio mesurable de (Ω,a) das (F, B), f ue applicatio mesurable de (F, B) das (T, S), alors Y = f X est ue applicatio mesurable de (Ω,a) das (T, S) Démostratio : elle est immédiate. Remarques : 1. Soit X ue applicatio de (Ω,a) das R. Pour que X soit ue variable aléatoire réelle il suffit que, pour tout t Q, l esemble (X t) [resp. (X t)] appartiee à a. E effet si C = { [, t], t Q } et C = { [t, + ], t Q }, o vérifie facilemet que σ(c) = σ(c ) = B R (tribu boréliee de R). O peut doc appliquer le 1) de la propositio Ue coséquece des propositios 5 et 6 est que, si X et Y sot deux variables aléatoires réelles fiies, alors, pour tous α et β apparteat à R, αx + βy, X.Y et 1 X (si X e s aule pas) sot aussi des variables aléatoires réelles. a Soit (a ) N ue suite d élémets de R. O défiit les ombres lim a et lim par : lim a { } { } = lim sup a m = if sup a m m m { lim a = lim if a m m } = sup { if a } m m Ces quatités sot doc bie défiies (das R), de plus : lim ( a ) = lim (a ) et lim a lim a O vérifie, d autre part, que l = lim a existe (das R) si et seulemet si lim a = lim a = l. Ces propriétés sot laissées e exercice. 9
15 1.3.4 Propositio 7 Soit (X ) N ue suite de variables aléatoires réelles, alors sup X, if X, lim X et lim X sot aussi des variables aléatoires réelles. E particulier, soit X l applicatio de Ω das R défiie par : { lim X (ω) = X (ω) si lim X (ω) existe 0 sio alors X est ue variable aléatoire réelle. Démostratio : Pour tout t R, o a (sup X t) = (X t) a (if X t) = (X t) a doc sup X et if X sot des variables aléatoires réelles. O e déduit que lim X et lim X sot aussi des variables aléatoires réelles puisque Doc : lim X = if {sup X m } et lim X = sup{ if X m} m m {ω Ω tel que lim X (ω) existe} = {ω Ω : lim X (ω) = lim X (ω) est u évéemet A. O voit alors que : X = ( lim X ).1 A (avec la covetio 0 = 0) est bie ue variable aléatoire réelle. La propositio précédete motre que toute limite simple (si elle existe) d ue suite de variables aléatoires réelles est ue variable aléatoire réelle Défiitio 6 Soit (Ω,a) u espace mesurable. O appelle variable aléatoire étagée toute variable aléatoire X : (Ω,a) R qui e pred qu u ombre fii de valeurs. O vérifie alors que X est étagée si et seulemet si elle est de la forme X = fiieα i.1 Ai où α i R et A i a Remarquer que la décompositio précédete de X est pas uique et que l esemble E des variables aléatoires étagées est u espace vectoriel sur R Propositio 8 Soit X ue applicatio de (Ω,a) das R + = [0, + ]. Alors X est ue variable aléatoire si et seulemet si il existe ue suite croissate (X ) N de 10
16 variables aléatoires étagées positives qui coverge simplemet vers X. Démostratio : S il existe ue suite (X ) d élémets de E qui coverge simplemet vers X o sait, d après la propositio 7, que X est ue variable aléatoire réelle. Réciproquemet supposos que X : (Ω,a) R + = [0, + ] est ue variable aléatoire réelle. Posos X = 2 1 k=0 k.1 (X [ k, k+1 [) +.1 (X=+ ) O vérifie alors facilemet que, pour tout, X E, X X +1 et que pour tout ω Ω : lim X (ω) = X(ω) 1.4 Espérace des variables aléatoires réelles et itégratio Soit X ue variable aléatoire réelle discrète telle que x.p(x = x) < où I m (X) = X(Ω) R x I m(x) O sait alors (cf. le cours de DEUG) que l espérace de X est défiie par : E(X) = x.p(x = x) x I m(x) O se propose ici d étedre la otio d espérace à ue classe beaucoup plus large de variables aléatoires réelles. L espérace de X (si elle existe) apparaîtra alors comme «l itégrale de X par rapport à la mesure de probabilité P» : E(X) = X dp Il s agit doc de doer u ses mathématique précis à cette écriture Défiitio 7 Soit (Ω, a) u espace mesurable. Ue mesure positive σ-fiie sur a est ue applicatio µ de a das R +, vérifiat : 1. si (A ) est ue suite d élémets de a deux à deux disjoits, alors ( ) µ A = µ(a ) Ω 2. il existe ue suite Ω ( N) d élémets de a telle que Ω = Ω et, pour tout, µ(ω ) <. La mesure µ est dite borée si sa masse totale µ(ω) est fiie ; µ est ue probabilité si µ(ω) = 1 (cf. la défiitio 1). Le triplet (Ω,a, µ) s appelle u espace mesuré. Remarquer que la défiitio précédete etraie que µ( ) = 0, puisque, si Ω a vérifie µ(ω ) <, o a µ(ω ) = µ(ω ) = µ(ω ) + µ( ). 11
17 1.4.2 Propositio 9 Soiet µ ue mesure positive σ-fiie sur a et A, B, A ( N) des évéemets. Alors : 1. A B µ(a) µ(b) 2. µ( A ) µ(a ) 3. si, pour tout, A A +1, o a : µ( A ) = lim µ(a ) = sup µ(a ) 4. si, pour tout, A +1 A et s il existe 0 tel que µ(a 0 ) <, alors µ( A ) = lim µ(a ) = if µ(a ) Démostratio : Cf. la preuve de la propositio 1. Exemple importat (mesure de Lebesgue) E dehors des exemples de probabilités doés précédemmet o a le résultat suivat : Cosidéros R d (d N ) mui de sa tribu boréliee B ; o sait que B est egedrée par la famille C de tous les pavés C de la forme C = d ]a i, b i ] où a i < b i, a i, b i R i=1 Il existe alors (ous admettros ce théorème) ue uique mesure positive σ-fiie λ sur B telle que ( d ) d λ ]a i, b i ] = (b i a i ) pour tous a i < b i, a i, b i R i=1 i=1 λ est appelée mesure de Lebesgue sur R d. Autre exemple (mesure de comptage) Soit Ω u esemble fii ou déombrable, mui de la tribu a = P(Ω). Pour tout B Ω, posos µ(b) = Card(B). Il est facile de voir qu o défiit aisi ue mesure σ-fiie sur (Ω, P(Ω)) appelée «mesure de comptage» Défiitio 8 Soit (Ω,a, µ) u espace mesuré. U esemble N Ω est dit égligeable s il existe A a tel que N A et µ(a) = 0. Ue propriété P(.) cocerat les élémets ω Ω est dite vraie presque partout (e abrégé p.p.) [presque sûremet (p.s.) lorsque µ est ue probabilité] si {ω Ω tels que «o P(ω)»} est égligeable. O voit, grâce au 2) de la propositio 9 qu ue réuio déombrable d esembles égligeables est égligeable. Si o cosidère la mesure de Lebesgue sur R d, u poit est égligeable doc tout esemble déombrable est égligable ; par cotre, pour la mesure de comptage sur u esemble déombrable Ω, aucu poit est égligeable. Soiet X, Y, X ( N) des applicatios de Ω das R. O dira que : X est fiie presque partout si {ω : X(ω) = + } est égligeable. X Y presque partout si {ω : X(ω) > Y (ω)} est égligeable. X X presque partout si {ω : X (ω) X(ω)} est égligeable. La otio d esemble égligeable est liée à la mesure de référece µ. S il y a ambiguïté, o écrira doc «µ-égligeable» ou «µ-presque-partout» [µ presquesûremet lorsque µ est ue probabilité]. 12
18 1.5 Itégratio des variables aléatoires étagées positives Soiet (Ω,a, µ) u espace mesuré et X : (Ω,a) R + ue variable aléatoire étagée positive. Il existe alors ue décompositio de X sous la forme X = i I α i.1 Ai où (A i, i I) est ue partitio fiie de Ω, A i a et α i R +. Le ombre i I α iµ(a i ) e déped pas de la décompositio choisie pour X : e effet, si X = j J β j.1 Bj = i I α i.1 Ai où (B j, j J) est ue autre partitio fiie de Ω, B j a et β j R +. O voit que α i = β j si A i B j et doc α i µ(a i ) = { } α i µ(a i B j ) i i j = i,j α i µ(a i B j ) = i,j = j β j µ(a i B j ) β j µ(b j ) (avec la covetio 0 = 0) Défiitio 9 Avec les otatios précédetes, le ombre i I α iµ(a i ) s appelle l itégrale de X par rapport à µ et se ote X dµ. O a doc, pour tout A a Ω µ(a) = 1 A dµ Propositio 10 Soiet X et Y deux variables aléatoires étagées positives, alors : 1. Pour tout c R +, cx dµ = c X dµ 2. (X + Y )dµ = X dµ + Y dµ 3. Si X Y, o a : X dµ Y dµ Démostratio : L assertio 1) est évidete. Soiet (A 1,..., A ), (B 1,..., B m ) deux partitios de Ω formées d élémets de a et α i,..., α, β 1,...,β m R + tels que X = i α i.1 Ai, Y = j β j.1 Bj. Alors Ω X + Y = i,j (α i + β j ).1 Ai B j 13
19 et (X + Y )dµ = i,j (α i + β j )µ(a i B j ) = i,j α i µ(a i B j ) + i,j β j µ(a i B j ) = i = α i µ(a i ) + j X dµ + O suppose que X Y. Remarquer que : Y dµ β j µ(b j ) A i B j α i β j e effet ω A i B j X(ω) = α i Y (ω) = β j doc X dµ = α i µ(a i B j ) β j µ(a i B j ) = i,j i,j Y dµ 1.6 Itégratio des variables aléatoires réelles positives Défiitio 10 Soit X ue variable aléatoire réelle positive (défiie sur l espace (Ω, a, µ)). L itégrale de X par rapport à µ, otée X dµ, est doée par la formule : Ω { } X dµ = sup Y dµ, Y variable aléatoire étagée telle que 0 Y X Ω Ω Remarquer que Ω X dµ peut être égale à Lemme 1 Soiet Z ue variable aléatoire étagée positive et (Y ) N ue suite croissate de variables aléatoires étagées positives telle que : lim ր Y Z Alors lim ր Y dµ Z dµ Démostratio : Soit α ]0, 1[. Posos B = {Y αz}, alors B B +1, B a et B = Ω e effet, pour tout ω Ω, o a : Z(ω) = 0 ω B 0 14
20 et (Z(ω) > 0) (Z(ω) > αz(ω)) pour tout assez grad (Y (ω) > αz(ω)) De plus, si Z = fiieα i.1 Ai o a Y αz.1 B = fiieαα i.1 Ai B Doc Y dµ α Z.1 B dµ = α fiieα i µ(a i B ) et lim ր Y dµ α fiieα i µ(a i ) = α Z dµ puisque µ(a i B ) ր µ(a i ) quad Propositio 11 Soiet X ue variable aléatoire réelle positive et (Y ) N ue suite croissate de variables aléatoires réelles étagées positives telle que : lim ր Y = X Alors X dµ = lim ր Y dµ Démostratio : Pour tout N, o a : 0 Y Y +1 X doc Y dµ X dµ par défiitio et lim ր Y dµ X dµ Réciproquemet, soit Z ue variable aléatoire réelle étagée telle que 0 Z X = lim ր Y alors, d après le lemme 1 : Z dµ lim ր Y dµ d où l iégalité X dµ lim ր Y dµ 15
21 1.6.4 Propositio 12 Soiet X et Y deux variables aléatoires réelles positives, alors : 1. pour tout c R + : cx dµ = c X dµ 2. (X + Y )dµ = X dµ + Y dµ 3. si X Y, o a : X dµ Y dµ Démostratio : Le 3) résulte de la défiitio 10. O sait, d autre part, d après la propositio 8, qu il existe X, Y variables aléatoires réelles étagées positives telles que lim ր X = X lim ր Y = Y doc : (X + Y )dµ = lim ր (X + Y )dµ = lim ր X dµ + lim ր = X dµ + Y dµ Y dµ O motre de même que cx dµ = c X dµ (c R + ) Défiitio 12 Ue variable aléatoire réelle positive X est dite itégrable si Ω X dµ <. Doc si Y est ue variable aléatoire réelle telle que 0 Y X, o voit, d après la propositio 12, que Y est itégrable dès que X l est. 1.7 Itégratio des variables aléatoires réelles Défiitio 13 Ue variable aléatoire réelle X (défiie sur l espace (Ω, a, µ)) est dite itégrable si X est itégrable. So itégrale est défiie par X dµ = X + dµ X dµ Ω Remarquer que X + et X sot itégrables puisque 0 X + = max{x, 0} X 0 X = max{ X, 0} X Propositio 13 Ω Soiet X et Y deux variables aléatoires réelles itégrables, alors 1. pour tout c R : cx dµ = c X dµ Ω 16
22 2. Si X + Y a u ses : (X + Y )dµ = X dµ + Y dµ 3. si X Y, X dµ Y dµ 4. X dµ X dµ Démostratio : O a : ( X) + = X doc : ( X)dµ = ( X) + dµ = X dµ = X dµ ( X) dµ X + dµ L égalité 1) est évidete si c 0 ; si c < 0, o écrit cx dµ = ( c)( X)dµ = ( c) ( X)dµ = c X dµ O a de plus : X + Y X + Y, doc X + Y est itégrable et : (X + Y ) = (X + Y ) + (X + Y ) = (X + X ) + (Y + Y ) doc (X + Y ) + + X + Y = (X + Y ) + X + + Y + (X +Y ) + dµ+ X dµ+ Y dµ = (X +Y ) dµ+ X + dµ+ Y + dµ et, ces quatités état fiies, par hypothèse : ( (X+Y ) + dµ (X+Y ) dµ = X + dµ ) ( X dµ + Y + dµ ) Y dµ d où l égalité 2). Pour le 3) o a : si X Y, Y X 0 et 0 (Y X)dµ = Y dµ X dµ Pour le 4) o a, puisque X = X + + X : X dµ = X + dµ + X dµ X + dµ X dµ = X dµ Défiitio 14 O otera L 1 (Ω,a, µ) l esemble des variables aléatoires réelles X fiies et itégrables. La propositio 13 motre que cet esemble est mui, aturellemet, d ue structure d espace vectoriel sur R, l applicatio X L 1 X dµ R 17
23 état ue forme liéaire positive sur cet espace (i.e. que X 0 X dµ 0). Ue variable aléatoire X à valeurs das C est dite itégrable si X L 1 (Ω,a, µ). O posera alors : X dµ = Re(X)dµ + ı Im(X) dµ O désigera par L 1 C (Ω,a, µ) l esemble des variables aléatoires complexes et itégrables. Cet esemble forme u espace vectoriel sur C ; de plus, o vérifie facilemet que l applicatio : X L 1 C X dµ C est ue forme liéaire sur cet espace. Soit X L 1 C. Alors X dµ est u ombre complexe de la forme ρe ıθ où ρ 0 ; doc X dµ = ρ = e ıθ X dµ = e ıθ X dµ = Re(e ıθ X)dµ X dµ O voit aisi que pour tout X L 1 C : X dµ X dµ Propositio Soit X ue variable aléatoire à valeurs das R ou C. S il existe ue variable aléatoire réelle Y itégrable et positive telle que X Y, alors X est itégrable. 2. Si X et Y sot deux variables aléatoires à valeurs das R ou C égales presque partout (p.p.) et si X est itégrable, alors Y est itégrable ; de plus : X dµ = Y dµ. 3. Si X est ue variable aléatoire itégrable, alors, pour tout λ R + µ( X λ) 1 X dµ et ( X < ) presque partout λ Démostratio : Le 1) est évidet Pour 2) si S = {X Y } ; alors S a, de plus X (+ ).1 S + Y Y (+ ).1 S + X et doc (+ ).1 S dµ = lim +.1 S dµ = 0 puisque µ(s) = 0 X dµ = Y dµ < 18
24 Pour 3) si X L 1, o a, pour tout λ > 0 : λ.1 ( X λ) X doc λ.1 ( X λ) dµ = λµ( X λ) X dµ < De plus µ( X = + ) = lim λ λ N doc ( X < ) presque partout. Remarques : 1 µ( X λ) lim λ λ λ N X dµ = 0 1. La propostio 14 motre que, si X est ue variable aléatoire itégrable, alors X et X.1 ( X < ) sot égales presque partout et ot même itégrale. 2. Si X est ue variable aléatoire réelle positive, les défiitios précédetes motret que X dµ a toujours u ses (et peut valoir + ). Si X est ue variable aléatoire réelle quelcoque et si X + dµ < ou bie X dµ < (par exemple : X majorée ou miorée par ue variable aléatoire itégrable), o peut, par extesio, défiir l itégrale de X e posat : X dµ = X + dµ X dµ qui appartiet à [, + ] = R Défiitio 15 (espérace des variables aléatoires réelles) O suppose que la mesure µ est ue probabilité P sur l espace mesurable (Ω,a). Soit X L 1 (Ω,a, P). L espérace de la variable aléatoire réelle X est alors défiie par : E(X) = X dp Remarquer que, si X est ue variable aléatoire réelle discrète (Im(X) = X(Ω) est fii ou déombrable). X = X = x Im(X) x Im(X) Ω x.1 (X=x) x.1 (X=x) O vérifie facilemet, das ce cas, que X est itégrable si et seulemet si E( X ) = X dp = x.p(x = x) < Ω x Im(X) et que E(X) = X dp = x.p(x = x) Ω x Im(X) 19
25 Remarquer que ( ) x.1 (X=x) x dp = lim x.1 (X=x) dp = lim + x + x Propositio 16 (loi d ue variable aléatoire) Soit X ue variable aléatoire défiie sur l espace de probabilité (Ω,a, P) et à valeurs das u espace mesurable quelcoque (F, B). La formule suivate : (*) pour tout B B : ν(b) = P ( X 1 (B) ) défiit alors ue probabilité ν sur l espace (F, B). O dira que ν est la loi (image) de la variable aléatoire X et o posera ν = P X. De plus, pour toute applicatio mesurable ϕ de (F, B) das R, o a ϕ L 1 (F, B, P X ) si et seulemet si ϕ X L 1 (Ω,a, P) et das ce cas (**) ϕdp X = ϕ X dp (formule des lois images) Démostratio : La formule (*) motre que, si B a deux disjoits, o a : F Ω ( N) est ue suite d élémets de B deux X 1 ( B ) = X 1 (B ) et les X 1 (B ) ( N) état deux à deux disjoits : ) ν ( B = P (X ( )) ( ) 1 B = P X 1 (B ) = P ( X 1 (B ) ) x.p(x = x) = ν(b ) De plus ν(f) = P ( X 1 (F) ) = P(Ω) = 1. ν est bie ue probabilité sur l espace (F, B). Pour démotrer la formule des lois images, remarquos d abord, que si ϕ = 1 B, (B B), o a ϕdp X = P X (B) = P ( X 1 (B) ) = 1 X 1 (B) dp (par défiitio) F Ω = 1 B X dp = (ϕ X)dP Ω Ω La formule (**) est doc vérifiée lorsque ϕ = 1 B (B B), et par liéarité, lorsque ϕ est ue variable aléatoire étagée de la forme ϕ = fiie α i.1 Bi où B i B, α i R +. Soit ϕ ue applicatio mesurable positive de (F, B) das R ; il existe (propositio 8) ue suite croissate (ϕ ) N de variables aléatoires étagées positives telles que ϕ = lim ր ϕ ; doc : ϕdp X = lim ր ϕ dp X = lim ր (ϕ X)dP = (ϕ X)dP F F 20 Ω Ω
26 O voit alors que si ϕ est ue applicatio mesurable quelcoque de (F, B) das R, o a ϕ L 1 (F, B, P X ) ϕ X L 1 (Ω,a, P) et que, das ce cas, e décomposat ϕ : Remarques : F ϕdp X = ϕ + dp X ϕ dp X F F = (ϕ + X)dP X (ϕ X)dP X Ω Ω = (ϕ X)dP Ω 1. Avec les otatios de la propositio 16, si F est u esembe fii ou déombrable, o a B = P(F). La loi P X d ue variable aléatoire discrète X à valeurs das F s idetifie alors avec la famille déombrable de ombres positifs de somme égale à 1 : E effet, pour tout B F : P X (x) = P(X = x) (x F) P X (B) = P(X B) = x B P(X = x) = x B P X (x) et P X (F) = x F P X (x) = 1 O dit aussi que (P X (x), x F) est la desité discrète de X. Pour toute applicatio ϕ de F das R, o a : ϕ X est itégrable si et seulemet si ϕ(x) P(X = x) < et das ce cas : x F E{ϕ X} = ϕdp X = ϕ(x)p X (x) = ϕ(x)p(x = x) = F x F x F Ω ϕ X dp 2. Soit X ue variable aléatoire réelle itégrable défiie sur l espace mesuré (Ω,a, µ); o otera idifféremmet, das la suite, suivat les cotextes : Ω X dµ = Si A a, o posera, par défiitio : A Ω X(ω)dµ(ω) = X dµ = Ω Ω X.1 A dµ X(ω)µ (dω) 21
27 1.8 Théorèmes de covergece Théorème 1 (Beppo-Levi) Soit (X ) N ue suite croissate de variables aléatoires réelles positives (défiies sur l espace mesuré (Ω,a, µ)). Posos X = lim ր X. Alors : X dµ = lim ր X dµ Démostratio : Pour tout N soit (X,k ) k N ue suite croissate de variables aléatoires étagées positives telle que : 0 X,k X,k+1 ր X, quad k + Posos Y k = max{x m,k, 0 m k} Alors Y k est étagée et de plus, pour tout m l das N : 0 Y k Y k+1 X k+1 X (1) X m,l Y l lim k ր Y k doc et X m lim l X m,l lim k ր Y k lim m ր X m = X lim k ր Y k X (2) Des iégalités (1) et (2), o déduit que : X dµ = lim ր Y k dµ = lim k k ր X k dµ Corollaire : Soit (Z ) N ue suite quelcoque de variables aléatoires réelles positives alors : ( ) Z dµ = Z dµ Démostratio : Pour tout m N, soit X m = m =0 Z, alors 0 X m X m+1 ր X = Z Il suffit d appliquer le théorème 1. 22
28 1.8.2 Théorème 2 (Lemme de Fatou) Soit (X ) N ue suite de variables aléatoires réelles. S il existe ue variable aléatoire réelle itégrable Y telle que, pour tout : Y X alors : lim X dµ lim X dµ S il existe ue variable aléatoire réelle itégrable Z telle que, pour tout : X Z alors : lim X dµ lim X dµ Démostratio : O suppose d abord que, pour tout, X 0, alors 0 Y m = if{x, m} Y m+1 ր lim X, quad m doc, d après le théorème 1 limx dµ = lim ր m ( Y m dµ lim if m m ) X dµ = lim X dµ puisque, pour tout m, Y m X et doc Y m dµ X dµ. Si, pour tout : X Y où Y L 1, il suffit de poser X = X Y 0 et de remarquer que lim X = lim X Y 0 doc lim X dµ = lim X dµ + Y dµ X dµ + lim Y dµ = lim X dµ Pour démotrer la secode assertio du théorème, il suffit de chager X e X ( N) Théorème 3 (Théorème de Lesbesgue ou de «covergece domiée») Soit (X ) N ue suite de variables aléatoires réelles. S il existe ue variable aléatoire réelle itégrable Y telle que, pour tout : X Y presque partout et si (X ) coverge presque partout vers ue variable aléatoire réelle X, quad alors X est itégrable et X X dµ 0, quad ; e particulier X dµ X dµ quad. Démostratio : Commeços par remarquer que, pour tout : (*) X X X +Y presque partout puisque X Y presque partout Quitte à modifier Y sur u esemble égligeable, o peut supposer que les iégalités précédetes sot valables partout et, e faisat tedre vers l ifii, 23
29 o voit que X Y presque partout, doc X L 1. D après le lemme de Fatou et grâce à (*) : lim X X dµ lim X X dµ = 0 car doc lim X X = 0 presque partout et X + Y L 1 X dµ X dµ = (X X )dµ X X dµ 0 quad Corollaire 1 : Soit (X s ) s S ue famille de variables aléatoires réelles où S est u espace métrique. O suppose que : 1. il existe l S tel que limx s = X l presque partout s l 2. pour tout s variat das ue boule ouverte cetrée e l : X s Y presque partout où Y est ue variable aléatoire réelle itégrable fixe, alors lim s l X (.) s dµ = X (.) l dµ Démostratio : Il suffit de vérifier que, pour toute suite (s ) N d élémets de S telle que lim s = l, o a lim X s dµ = X l dµ Appliquer le théorème de Lebesgue. Corollaire 2 : (Dérivatio sous le sige itégral) Soit (X s ) s S ue famille de variables aléatoires réelles itégrables où S est u itervalle ouvert de R. O suppose que, pour presque tout ω Ω, 1. la foctio s S X s (ω) est dérivable sur S 2. d ds X s(ω) Y (ω) e tout poit s de S où Y (.) est ue variable aléatoire réelle itégrable fixe. Alors X (.) s dµ est dérivable e s S et d X s (.) dµ = ds ( d ds X(.) s ) dµ Démostratio : Soit s 0 S. Pour tout h 0, assez petit, o a : ( ) ( ) 1 Xs0+h X s0 X s0+h dµ X s0 dµ = dµ h h et, d après le théorème des accroissemets fiis : X s0+h X s0 X h = θ h Y presque partout 24
30 où X s = d ds X s et θ h est compris etre s 0 et s 0 + h. O voit alors, d après le corollaire 1, que : ( ) 1 lim X s0+h dµ X s0 dµ = X s h 0 h 0 dµ h Propositio 17 (lie avec l itégrale de Riema) 1. Soiet a et b das R, a < b et f C([a, b], R) (espace des foctios cotiues de [a, b] das R). La foctio f.1 [a,b] est alors itégrable pour la mesure de Lebesgue λ sur (R, B R ) et l itégrale de Riema b a f(x)dx est égale à f.1 [a,b] dλ. 2. Soit f ue applicatio de R das R cotiue par morceaux, alors f L 1 (R, B R, λ) si et seulemet si l itégrale I = + f(x)dx est absolumet covergete et das ce cas I = f dλ Démostratio : Assertio 1) : Soit f C([a, b], R) O sait qu il existe ue costate M 0 telle que, pour tout x [a, b] : f(x) M, doc f.1[a,b] M.1[a,b] et f.1 [a,b] dλ M.(b a) < : f.1 [a,b] L 1 (R, B R, λ) Soiet = {t 0 = a, < t 1 <... < t = b} ue subdivisio de l itervalle [a, b] 1 = max t i+1 t i et f = f(t i ).1 [ti,t i i+1[ O sait, de plus, que f f, quad 0, uiformémet sur [a, b[ (cf. le cours de DEUG) et que les sommes de Riema i=0 R( ) = i f(t i ).(t i+1 t i ) coverget, quad 0, vers b a f(x)dx; or R( ) = f dλ et f M.1 [a,b] doc (théorème de Lebesgue) lim R( ) = lim 0 0 remarquer aussi que f.1 [a,b] dλ = puisque λ({b}) = λ({a}) = 0. L assertio 2) est laissée e exercice. f dλ = f.1 [a,b[ dλ = b f.1 [a,b[ dλ = f.1 ]a,b[ dλ a f(x)dx 25
31 Cosidéros l espace discret (N, P(N), µ) où µ est la mesure de comptage (pour tout B N : µ(b) = Card(B)). Soit U = (U ) N ue suite de ombres réels ou complexes. O vérifie facilemet que U L 1 C (N, P(N), µ) si et seulemet si la série 0 U est absolumet covergete ( 0 U < ) et que das ce cas Propositio 18 N U dµ = 0 Soit V = (V,m ) (,m) N N ue suite à deux idices et m (V,m C). O suppose que : 1. Pour tout, lim m V,m existe 2. 0 {sup m V,m } < alors lim m { } V,m = { 0 0 U lim m V,m L égalité (*) reste valable si, au lieu des coditios 1) et 2), o suppose 3) : pour tous et m : V,m R + et V,m V,m+1. Démostratio : Cosidéros ( ) f m = (V,m ) N et g = sup V,m m Pour tout N, o a f m () = V,m g() La coditio 1) sigifie que f m coverge simplemet, quad m et 2) sigifie que g L 1 C (N, P(N), µ). Pour obteir (*) il suffit d appliquer le théorème de Lebesgue sous les coditios 1) et 2), ou bie le théorème de Beppo-Levi sous l hypothèse 3). } (*) N 26
32 Chapitre 2 Espaces produits, idépedace 2.1 Espaces produits Soiet (F i, B i ), i = 1, 2,..., des espaces mesurables. Posos : F = F 1 F 2... F = O muit l esemble F de la tribu B egedrée par les pavés de la forme i=1 F i A 1 A 2... A où A i B i, i = 1,..., B s appelle la tribu produit et se ote : B = B 1 B 2... B = Remarquer que B est la plus petite tribu sur F redat mesurables les applicatios coordoées θ i, (i = 1,...,), de F das (F i, B i ) défiies par : i=1 θ i ((x 1, x 2,..., x )) = x i où (x 1,..., x ) F Si pour tout i, F i = R et B i = B R (tribu boréliee de R) o vérifie facilemet que, pout tout N : B i B R = B R... B R fois et que B R +m s idetifie à B R B R m (m N ) Théorème 1 Soiet µ 1, µ 2,...,µ des mesures 0 σ-fiies défiies sur (F 1, B 1 ), (F 2, B 2 ),...,(F, B ) 27
33 respectivemet. Il existe ue uique mesure 0 σ-fiie µ sur l espace produit ( ) F = F i, B = B i i=1 i=1 telle que pour tous A 1 B 1, A 2 B 2,..., A B : µ(a 1 A 2... A ) = µ 1 (A 1 )µ 2 (A 2 )...µ (A ) La mesure µ s appelle la mesure produit de µ 1, µ 2,..., µ et se ote : µ = µ 1 µ 2... µ = Par exemple, si λ désige la mesure de Lebesgue sur R ( N ), o a λ = λ 1 λ 1... λ 1 i=1 µ i ( fois) Remarquer, das le théorème 1, que si les µ i, (i = 1,...,) sot des probabilités, alors µ = i=1 µ i est ue probabilité Théorème 2 (de Fubii) Cas = 2. Soit f ue applicatio mesurable de (F 1 F 2, B 1 B 2, µ 1 µ 2 ) das R alors : 1. Pour tout x = (x 1, x 2 ) F 1 F 2, les applicatios f x1 de (F 2, B 2 ) das R et f x2 de (F 1, B 1 ) das R défiies par f x1 (y 2 ) = f(x 1, y 2 ) (y 2 F 2 ) f x2 (y 1 ) = f(y 1, x 2 ) (y 1 F 1 ) sot mesurables. 2. Si f est positive, les applicatios : x 1 F 1 f(x 1, x 2 )µ 2 (dx 2 ) F 2 x 2 F 2 f(x 1, x 2 )µ 1 (dx 1 ) F 1 sot mesurables sur (F 1, B 1 ) et (F 2, B 2 ) respectivemet, de plus : f(x 1, x 2 )µ 1 µ 2 (dx 1, dx 2 ) = µ 1 (dx 1 ) f(x 1, x 2 )µ 2 (dx 2 ) F 1 F 2 F 1 F 2 = µ 2 (dx 2 ) f(x 1, x 2 )µ 1 (dx 1 ) (*) F 2 F 1 3. Si f L 1 (F 1 F 2, B 1 B 2, µ 1 µ 2 ) alors pour µ 1 presque tout x 1 : f x1 L 1 (F 2, B 2, µ 2 ) pour µ 2 presque tout x 2 : f x2 L 1 (F 1, B 1, µ 1 ) et l itégrale de f par rapport à µ 1 µ 2 est ecore doée par l égalité (*). Ce théorème s éted facilemet, par récurrece, au cas d u produit fii d espaces (F i, B i, µ i ), (i = 1, 2,..., ). La démostratio des théorèmes 1 et 2 est basée sur le théorème 3 suivat (appelé «théorème de classe mootoe»). 28
34 2.1.3 Défiitio 1 Soiet Ω u esemble, C et S deux sous-esembles de P(Ω). O dira que C est u π-système si, pour tous A et B apparteat à C, o a A B C. S est u λ-système si, 1. pour toute suite (A ) d élémets de S telle que A A +1,, o a N A S 2. pour tous A et B apparteat à S, o a : A B A \ B S Théorème 3 1. Si S est u λ-système coteat u π-système C et si Ω S, alors S cotiet σ(c) (la tribu egedrée par C). 2. Soit H u espace vectoriel de foctios umériques fiies (resp. borées) sur u espace mesurable (Ω,a) tel que : (a) 1 H et 1 A H, pour tout A C où C est u π-système tel que σ(c) = a (b) H est stable par passage à la limite croissate (i. e. : si (f ) est ue suite d élémets de H telle que f f +1 et f f fiie (resp. Démostratio : ր borée), o a f H) alors H cotiet toutes les foctios umériques a-mesurables fiies (resp. borées). 1. Soit S le λ-système egedré par C et Ω. S est l itersectio de tous les λ-systèmes coteat C et Ω. O a : S S et C S σ(c). Si o motre que S est stable par itersectio fiie, il est facile de voir que S est, e fait, ue tribu et, puisque C S, S = σ(c) S. Soit S 1 = {A S tel que A B S, B C} alors S 1 est u λ-système coteat C et Ω S 1 doc S 1 S S 1 = S. Soit S 2 = {A S tel que A B S, B S } S 2 est u λ-système coteat C et Ω S 2 doc S 2 = S, ce qui sigifie que, pour tous A et B das S, o a A B S 2. Soit S = {A a tel que 1 A H} a Les hypothèses sur H motret que S est u λ-système coteat C et Ω, doc S cotiet σ(c) = a (d après 1)) et S = a. L espace vectoriel H cotiet doc toutes les foctios étagées. Soit f ue foctio a-mesurable fiie (resp. borée), o a f = f + f où f + et f sot des foctios mesurables positives qui sot limites de suites croissates de foctios étagées positives, doc f + H, f H et f = f + f H. Corollaire 1 : Soiet µ 1 et µ 2 deux mesures positives σ-fiies sur (Ω,a) et C a u π-système tel que σ(c) = a. O suppose que : 29
35 1. Pour tout C C : µ 1 (C) = µ 2 (C) 2. Il existe ue suite croissate (C ) d élémets de C telle que Ω = C et µ i (C ) <, pour tout N. Alors µ 1 = µ 2. Démostratio : Soit N fixé. Cosidéros : S = {A a tel que µ 1 (A C ) = µ 2 (A C )} a O voit que S est u λ-système, S C et Ω S, doc S σ(c) = a et S = a. O e déduit que pour tout A a et tout N doc µ 1 (A C ) = µ 2 (A C ) µ 1 (A) = lim µ 1(A C ) = lim µ 2(A C ) = µ 2 (A) Démostratio du théorème 1 Uicité : Soiet µ et µ deux mesures σ-fiies sur (F = i=1 F i, B = i=1 B i) telles que, pour tous A 1 B 1,..., A B µ(a 1... A ) = µ(a 1... A ) = µ i (A i ) (P) O sait qu il existe, pour tout i {1, 2,..., }, ue suite croissate (A k i ) k N d élémets de B i telle que A k i = F i et µ i (A k i ) <, pour tout k N. Posos : k i=1 alors, pour tout k : C k = A k 1 Ak 2... Ak µ(c k ) = µ(c k ) <, C k C k+1 et k C k = F Soit C la famille des pavés C de la forme C = A 1 A 2... A où A i B i C est u π-système tel que σ(c) = B et la propriété (P) motre que µ et µ coïcidet sur C, de plus C k C pour tout k, doc µ = µ (d après le corollaire 1). Existece : Il suffit de se restreidre au cas = 2. Pour tout A B = B 1 B 2 et pour x = (x 1, x 2 ) F 1 F 2, cosidéros : Remarquer que : A x1 = {x 2 F 2 tel que (x 1, x 2 ) A} F 2 A x2 = {x 1 F 1 tel que (x 1, x 2 ) A} F 1 1 Ax1 (x 2 ) = 1 Ax2 (x 1 ) = 1 A (x 1, x 2 ) Cosidéros l esemble S défii par : S = {A B vérifiat les propriétés suivates : 30
36 1. pour tout x = (x 1, x 2 ) F : A x1 B 2 et A x2 B 1 2. les applicatios x 1 F 1 µ 2 (A x1 ) et x 2 F 2 µ 1 (A x2 ) sot mesurables sur (F 1, B 1 ) et (F 2, B 2 ) respectivemet 3. µ 1 (dx 1 )µ 2 (A x1 ) = F 1 µ 2 (dx 2 )µ 1 (A x2 )} F 2 O se propose de motrer que S = B. Supposos d abord que µ 1 et µ 2 sot borées. O vérifie, das ce cas, facilemet que S est u λ-système coteat tous les pavés de la forme C = A 1 A 2 où A 1 B 1 et A 2 B 2, e particulierf = F 1 F 2 S Doc S = B = B 1 B 2 (théorème 3). Das le cas gééral, o sait qu il existe deux suites croissates (A k i ) k N, (i = 1, 2) telles que A k i B i, A k i = F i et µ i (A k i ) < pour tout k k N. Posos alors, pour tous B 1 B 1 et B 2 B 2 : µ k 1(B 1 ) = µ 1 (B 1 A k 1), µ k 2(B 2 ) = µ 2 (B 2 A k 2) O voit que, pour tout k, µ k 1 et µ k 2 sot deux mesures borées et que les propriétés 2) et 3) sot satisfaites pour tout A B lorsque l o remplace µ 1 par µ k 1 et µ 2 par µ k 2 ; e faisat tedre k vers l ifii, o vérifie alors, sas peie, que S = B = B 1 B 2. Posos esuite, pour tout A B : µ(a) = µ 1 (dx 1 )µ 2 (A x1 ) = µ 2 (dx 2 )µ 1 (A x2 ) F 1 F 2 Il est immédiat de vérifier que µ est ue mesure σ-fiie sur B telle que pour tous A 1 B 1, A 2 B 2 µ(a 1 A 2 ) = µ 1 (A 1 )µ 2 (A 2 ) Démostratio du théorème 2 O désige par H l esemble suivat : H = { f : (F 1 F 2, B 1 B 2 ) R + = [0, ], mesurables vérifiat les assertios 1) et 2) du théorème 2. } O voit facilemet que si f et g sot deux élémets de H alors f + g appartiet à H et α.f H (α R + ) et que si 0 f f est ue suite croissate d élémets f de H alors f = lim ր f appartiet à H. La démostratio du théorème 1 motre, de plus, que H cotiet les foctios idicatrices 1 A, pour tout A B 1 B 2 doc H cotiet les variables aléatoires réelles étagées positives et, par passage à la limite croissate, toutes les variables aléatoires réelles positives. Soit f L 1 (F 1 F 2, B 1 B 2, µ 1 µ 2 ) alors, d après 1) et 2), o voit que : µ 1 (dx 1 ) f (x 1, x 2 )µ 2 (dx 2 ) = µ 2 (dx 2 ) f (x 1, x 2 )µ 1 (dx 1 ) < F 1 F 2 F 2 F 1 31
37 doc, pour µ 1 presque tout x 1 : et, pour µ 2 presque tout x 2 : F 2 f (x 1, x 2 )µ 2 (dx 2 ) < F 1 f (x 1, x 2 )µ 1 (dx 1 ) < E décomposat f sous la forme f = f + f où f + = max(f, 0) 0 et f = max( f, 0) 0, o voit alors, par liéarité, que l itégrale de f par rapport à µ 1 µ 2 est ecore doée par l égalité : fdµ 1 µ 2 = µ 1 (dx 1 ) f(x 1, x 2 )µ 2 (dx 2 ) F 1 F 2 F 1 F 2 = µ 2 (dx 2 ) f(x 1, x 2 )µ 1 (dx 1 ) (*) F 2 F 1 L extesio du théorème 2 au cas d u produit fii d espaces se démotre facilemet par récurrece. Soit (F i, B i ) i I ue famille d espaces mesurables où I est u esemble quelcoque d idices (par exemple I = N ou R + ou R...) L espace produit F = i I F i est, par défiitio, l esemble des applicatios x de I das i I F i telles que, pour tout i I, x i F i ; o posera x = (x i ) i I. Les applicatios coordoées θ i de F das F i (i I) sot alors défiies par θ i (x) = x i, pour tout x = (x i ) i I das F. O muit l espace F = i I F i de la tribu produit B = i I B i qui est doée par B = σ{θ 1 i (B i ), i I, B i B i } O vérifie facilemet que B est la plus petite tribu sur F qui red mesurables toutes les applicatios θ i (i I). Soit C l esemble des pavés C de F de la forme C = (B i ) où J est fii, J I et B i B i. Remarquer que C est u θ 1 i i J π-système tel que σ(c) = B Propositio 1 Soit (Ω,a) u espace mesurable. Ue applicatio X de (Ω,a) das (F = i I F i, B = i I B i) est mesurable si et seulemet si : (P) i I, θ i X est mesurable de (Ω,a) das (F i, B i ) Démostratio : Puisque B est egedrée par la famille des θ 1 i (B i ), i I, B i B i, o voit que : X est mesurable pour tous i I et B i B i X 1 ( θ 1 i (B i ) ) a pour tout i I θ i X est mesurable car X 1 (θ 1 i (B i )) = (θ i X) 1 (B i ). Nous admettros le théorème suivat, dû à Kolmogorov, qui assure l existece, sous certaies coditios, d u produit ifii d espaces de probabilités. 32
38 2.1.8 Théorème 4 Pour chaque i I, soit µ x ue probabilité sur l espace mesurable (F i, B i ); o suppose que F i = R di, (d i N ) et que B i = B R d i (tribu boréliee de R di ). Il existe alors ue uique probabilité µ sur l espace produit ( F = F i, B = ) B i i I i I telle que pour tout pavé C = θi 1 i J (B i ) où J est fii, J I et B i B i o a µ(c) = i J µ i (B i ) (*) La probabilité µ est appelée probabilité produit des µ i (i I) et otée µ = i I µ i. Le théorème 4 est ue extesio directe du théorème 1 au cas d u produit quelcoque d espaces. Remarquer que l égalité (*) etraîe immédiatemet l uicité de µ puisque la famille C des pavés est u π-système qui egedre la tribu produit. Noter aussi que le théorème 4 reste valable si o suppose que, pour tout i, F i est u esemble déombrable et B i = P (Fi). 2.2 Idépedace Défiitio 1 Soiet X 1, X 2,...,X variables aléatoires défiies sur u espace de probablité (Ω,a, P) et à valeurs das des espaces mesurables (F 1, B 1 ), (F 2, B 2 ),..., (F, B ) respectivemet. O dira que la famille (X i ) i=1,2,..., est idépedate (ou que les X i, i = 1, 2,...,, sot idépedates) si : pour tous B 1 B 1, B 2 B 2,..., B B, o a P {X 1 B 1, X 2 B 2,..., X B } = P(X i B i ) (*) i=1 Soit X l applicatio de (Ω,a, P) das l espace produit ( ) F = F i, B = B i défiie par : i=1 i=1 X(ω) = (X 1 (ω),..., X (ω)), ω Ω O vérifie facilemet que X est bie ue variable aléatoire. Notos P X la loi de X sur l espace produit (F, B) et P Xi la loi de X i sur (F i, B i ), i = 1, 2,...,. L égalité (*), das la défiitio 1, motre que les variables aléatoires X i, i = 1, 2,..., sot idépedates si et seulemet si la loi de X est égale au produit des lois des X i : ( ) P X = P X1 P X2... P X sur F = F i, B = B i (**) i=1 i=1 33
1 Mesure et intégrale
1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios
Plus en détailChapitre 3 : Fonctions d une variable réelle (1)
Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s
Plus en détail. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1
Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S
Plus en détailProcessus et martingales en temps continu
Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de
Plus en détailLimites des Suites numériques
Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **
Plus en détailCHAPITRE 2 SÉRIES ENTIÈRES
CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.
Plus en détailIntégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :
Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +
Plus en détail[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =
[http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.
Plus en détailExercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1
Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a
Plus en détailEtude de la fonction ζ de Riemann
Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.
Plus en détailExo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X
Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour
Plus en détailSéries réelles ou complexes
6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés
Plus en détailDénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions
Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter
Plus en détailSuites et séries de fonctions
[http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de
Plus en détail14 Chapitre 14. Théorème du point fixe
Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de
Plus en détailx +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.
EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite
Plus en détailComportement d'une suite
Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer
Plus en détailIntroduction : Mesures et espaces de probabilités
Itroductio : Mesures et espaces de probabilités Référeces : Poly cédric Berardi et Jea Michel Morel. J.-F. Le Gall, Itégratio, Probabilités et Processus Aléatoire J.-Y. Ouvrard, Probabilités 2, maîtrise-agrégatio,
Plus en détail4 Approximation des fonctions
4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour
Plus en détailConvergences 2/2 - le théorème du point fixe - Page 1 sur 9
Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios
Plus en détailProbabilités et statistique pour le CAPES
Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes
Plus en détailEXERCICES : DÉNOMBREMENT
Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris
Plus en détailGroupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3
1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que
Plus en détailSTATISTIQUE : TESTS D HYPOTHESES
STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice
Plus en détailFEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI
FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue
Plus en détailCours de Statistiques inférentielles
Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios
Plus en détailSéquence 5. La fonction logarithme népérien. Sommaire
Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa
Plus en détail20. Algorithmique & Mathématiques
L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus
Plus en détailLes Nombres Parfaits.
Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie
Plus en détailDénombrement. Chapitre 1. 1.1 Enoncés des exercices
Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.
Plus en détailBaccalauréat S Asie 19 juin 2014 Corrigé
Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps
Plus en détail16.1 Convergence simple et convergence uniforme. une suite de fonctions de I dans R ou C.
16 Suites de foctios Suf précisio cotrire, I est u itervlle réel o réduit à u poit et les foctios cosidérées sot défiies sur I à vleurs réelles ou complexes. 16.1 Covergece simple et covergece uiforme
Plus en détailSTATISTIQUE AVANCÉE : MÉTHODES
STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................
Plus en détailChap. 5 : Les intérêts (Les calculs financiers)
Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie
Plus en détailProcessus géométrique généralisé et applications en fiabilité
Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR
Plus en détailCours 5 : ESTIMATION PONCTUELLE
Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-
Plus en détailUNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4
UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»
Plus en détailChaînes de Markov. Arthur Charpentier
Chaîes de Markov Arthur Charpetier École Natioale de la Statistique et d Aalyse de l Iformatio - otes de cours à usage exclusif des étudiats de l ENSAI - - e pas diffuser, e pas citer - Quelques motivatios.
Plus en détailSÉRIES STATISTIQUES À DEUX VARIABLES
1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1
Plus en détailModule 3 : Inversion de matrices
Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que
Plus en détailStatistique descriptive bidimensionnelle
1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
1 / 9 Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Le cycle d exploitatio des etreprises (achats stockage productio stockage vetes) peut etraîer des décalages de trésorerie plus
Plus en détailPROMENADE ALÉATOIRE : Chaînes de Markov et martingales
PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières
Plus en détailUV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1
UV SQ 0 Probabilités Statistiques UV SQ 0 Autome 006 Resposable d Rémy Garadel ( m.-el. remy.garadel@utbm.fr ) page SQ-0 Probabilités - Statistiques Bibliographie: Titre Auteur(s) Editios Localisatio Niveau
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires
Plus en détailConsolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe
Cosolidatio La société THEOS, qui commercialise des vis, exerce so activité das trois villes : Paris, Nacy et Nice. Le directeur de la société souhaite cosolider les résultats de ses vetes par ville das
Plus en détailDeuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES
DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces
Plus en détailcapital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...
Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1
Plus en détailDes résultats d irrationalité pour deux fonctions particulières
Collect. Math. 5, 00, 0 c 00 Uiversitat de Barceloa Des résultats d irratioalité pour deux foctios particulières Richard Choulet 7, Rue du 4 Août, 40 Aveay, Frace E-mail: richardchoulet@waadoo.fr Received
Plus en détailStatistique Numérique et Analyse des Données
Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques
Plus en détailTRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )
RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude
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 détailChapitre 3 : Transistor bipolaire à jonction
Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats
Plus en détailChapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.
Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE
Plus en détailUniversité Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014
Uiversité Pierre et Marie Curie Biostatistique PACES - UE4 2013-2014 Resposables : F. Carrat et A. Mallet Auteurs : F. Carrat, A. Mallet, V. Morice Mise à jour : 21 octobre 2013 Relecture : V. Morice,
Plus en détailLES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.
Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la
Plus en détailLa France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe
1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios
Plus en détail2 ième partie : MATHÉMATIQUES FINANCIÈRES
2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul
Plus en détailc. Calcul pour une évolution d une proportion entre deux années non consécutives
Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages
Plus en détailStatistiques appliquées à la gestion Cours d analyse de donnés Master 1
Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques
Plus en détailII LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009
M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted
Plus en détailGérer les applications
Gérer les applicatios E parcourat les rayos du Widows Phoe Store, vous serez e mesure de compléter les services de base de votre smartphoe à travers plus de 10 000 applicatios. Gratuites ou payates, ces
Plus en détailContribution à la théorie des entiers friables
UFR STMIA École Doctorale IAE + M Uiversité Heri Poicaré - Nacy I DFD Mathématiques THÈSE présetée pour l obtetio du titre de Docteur de l Uiversité Heri Poicaré, Nacy-I e Mathématiques par Bruo MARTIN
Plus en détailUNIVERSITÉ DE SFAX École Supérieure de Commerce
UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première
Plus en détailExercices de mathématiques
MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris
Plus en détailSolutions particulières d une équation différentielle...
Solutios particulières d ue équatio différetielle......du premier ordre à coefficiets costats O cherche ue solutio particulière de y + ay = f, où a est ue costate réelle et f ue foctio, appelée le secod
Plus en détailSéries numériques. Chap. 02 : cours complet.
Séris méris Cha : cors comlt Séris d réls t d comlxs Défiitio : séri d réls o d comlxs Défiitio : séri corgt o dirgt Rmar : iflc ds rmirs trms d séri sr la corgc Théorèm : coditio écssair d corgc Théorèm
Plus en détail55 - EXEMPLES D UTILISATION DU TABLEUR.
55 - EXEMPLES D UTILISATION DU TABLEUR. CHANTAL MENINI 1. U pla possible Les exemples qui vot suivre sot des pistes possibles et e aucu cas ue présetatio exhaustive. De même je ai pas fait ue étude systématique
Plus en détailLe marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble.
II LE MARCHE DU CAFE 1 L attractivité La segmetatio selo le mode de productio Le marché du café peut être segmeté e foctio de deux modes de productio pricipaux : la torréfactio et la fabricatio de café
Plus en détailMESURE DE L'INFORMATION
MESURE DE L'INFORMATION Marc URO TABLE DES MATIÈRES INTRODUCTION... 3 INCERTITUDE D'UN ÉVÉNEMENT (OU SELF-INFORMATION)... 7 INFORMATION MUTUELLE DE DEUX ÉVÉNEMENTS... 9 ENTROPIE D'UNE VARIABLE ALÉATOIRE
Plus en détailLa fibre optique arrive chez vous Devenez acteur de la révolution numérique
2 e éditio Edité par l Autorité de régulatio des commuicatios électroiques et des postes RÉPUBLIQUE FRANÇAISE DÉCEMBRE 2010 La fibre optique arrive chez vous Deveez acteur de la révolutio umérique Petit
Plus en détailPolynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.
Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités
Plus en 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 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 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 détailInitiation à l analyse factorielle des correspondances
Fiche TD avec le logiciel : tdr620b Iitiatio à l aalyse factorielle des correspodaces A.B. Dufour & M. Royer & J.R. Lobry Das cette fiche, o étudie l Aalyse Factorielle des Correspodaces. Cette techique
Plus en détailDETERMINANTS. a b et a'
2003 - Gérard Lavau - http://perso.waadoo.fr/lavau/idex.htm Vous avez toute liberté pour télécharger, imprimer, photocopier ce cours et le diffuser gratuitemet. Toute diffusio à titre oéreux ou utilisatio
Plus en détailPROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS J. L. NICOLAS
PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS ET APPROXIMATIONS DIOPHANTIENNES J. L. NICOLAS Cet article expose sup 3 e quelques iter'f~reces etre les pr'obl~res dloptimisatio e hombres etiers et la th~or-ie
Plus en détailUn nouvel opérateur de fusion adaptatif. A new adaptive operator of fusion. 1. introduction
A ew adaptive operator of fusio par Fraçois DELMOTTE LAMIH, Uiversité de Valeciees et du Haiaut-Cambrésis, Le Mot Houy, BP 3, 5933 Valeciees CEDEX 9 fdelmott@flore.uiv-valeciees.fr résumé et mots clés
Plus en détailRECHERCHE DE CLIENTS simplifiée
RECHERCHE DE CLIENTS simplifiée Nous ous occupos d accroître votre clietèle avec le compte Avatage d etreprise Pour trouver des cliets potetiels grâce à u simple compte bacaire Vous cherchez des idées
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 détailTélé OPTIK. Plus spectaculaire que jamais.
Télé OPTIK Plus spectaculaire que jamais. Vivez toute la puissace de la télévisio sur IP grâce au réseau OPTIK 1 de TELUS et découvrez-e l extraordiaire potetiel. Télé OPTIK MC vous doe la parfaite maîtrise
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 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 détailSTRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO
Des résultats du Programme de réductio des risques STRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO 1. Cotexte La puaise tere Lygus lieolaris (figure 1) est
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 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 détailUniversité Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME
Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par
Plus en détailExamen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot
Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules sera mis à dispositio des cadidats, si écessaire. Etat au 1er mars
Plus en détailLes algorithmes de tri
CONSERVATOIRE NATIONAL DES ARTS ET METIERS PARIS MEMOIRE POUR L'EXAMEN PROBATOIRE e INFORMATIQUE par Nicolas HERVE Les algorithmes de tri Souteu le mai JURY PRESIDENTE : Mme COSTA Sommaire Itroductio....
Plus en détailTerminale S. Terminale S 1 F. Laroche
Termiale S Exercices. Rappels et exercices de base 3.. QCM (P. Egel) 3.. QCM, Atilles 005 4. 3. QCM, Liba 009, 3 poits 4. 4. QCM, C. étragers 007. 5. QCM, Frace 007 5 6. 6. QCM, N. Calédoie 007 7. 7. QCM
Plus en détailLe Sphinx. Enquêtes, Sondages. Analyse de données. Internet : http://www.lesphinxdeveloppement.fr/club/index.html
Equêtes, Sodages Aalyse de doées Le Sphix! Iteret : http://www.lesphixdeveloppemet.fr/club/idex.html Lagarde J. Aalyse statistique de doées, Duod. Réaliser vos equêtes Questioaire Traitemets et aalyses
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 détailUniversité de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015
Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir
Plus en détailSommaire Chapitre 1 - L interface de Windows 7 9
Sommaire Chapitre 1 - L iterface de Widows 7 9 1.1. Utiliser le meu Démarrer et la barre des tâches de Widows 7...11 Démarrer et arrêter des programmes...15 Épigler u programme das la barre des tâches...18
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 détailNeolane Message Center. Neolane v6.0
Neolae Message Ceter Neolae v6.0 Ce documet, aisi que le logiciel qu'il décrit, est fouri das le cadre d'u accord de licece et e peut être utilisé ou copié que das les coditios prévues par cet accord.
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 détail