Espérance conditionnelle
|
|
- Sylvaine Doucet
- il y a 8 ans
- Total affichages :
Transcription
1 Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58
2 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle 4 Interprétation en termes de projection 5 Lois conditionnelles régulières Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 2 / 58
3 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle 4 Interprétation en termes de projection 5 Lois conditionnelles régulières Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 3 / 58
4 Définition formelle Définition On se donne un espace de probabilités (Ω, F 0, P) et Une σ-algèbre F F 0. X F 0 telle que E[ X ] <. Espérance conditionnelle de X sachant F: Notée E[X F] Définie par: E[X F] est la v.a Y de L 1 (Ω) telle que (i) Y F. (ii) Pour tout A F, on a ou encore A XdP = A YdP. E[X1 A ] = E[Y 1 A ], Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 4 / 58
5 Remarques Notation: On utilisera la notation Y F pour dire qu une variable aléatoire Y est F-mesurable. Interprétation: de manière plus intuitive F représente une quantité d information Y est la meilleure prédiction de X lorsque l on possède l information contenue dans F. Existence: à voir après les exemples. Unicité: Si elle existe, l espérance conditionnelle est unique. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 5 / 58
6 Démonstration unicité But: Soit Y vérifiant (i) + (ii), de même que Y. Montrons Y = Y p.s Propriété générale: Pour tout A F, on a E[Y 1 A ] = E[Y 1 A ]. Cas particulier: Soit ɛ > 0, et posons Alors A ɛ F, et donc P(A ɛ ) = 0. A ɛ (Y Y ɛ). 0 = E[(Y Y )1 Aɛ ] ɛe[1 Aɛ ] = ɛp(a ɛ ) Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 6 / 58
7 Démonstration unicité (2) Ensemble A + : Soit A + (Y Y > 0) = n 1 A 1/n. On a n A 1/n croissante, et donc P(A + ) = P A 1/n = n lim P(A 1/n ) = 0. n 1 Ensemble A : De même, si on a P(A ) = 0. A = {Y Y < 0} Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 7 / 58
8 Démonstration unicité (3) Conclusion: On obtient, en posant A {Y Y } = A + A, que P(A ) = 0, et donc Y = Y p.s. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 8 / 58
9 Absolue continuité Définition Soit µ, ν deux mesures σ-finies sur (Ω, F). On dit que ν µ (µ est absolument continue par rapport à ν) si µ(a) = 0 = ν(a) = 0 pour tout A F. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 9 / 58
10 Théorème de Radon-Nykodym Théorème Soient µ, ν mesures σ -finies sur (Ω, F), telles que ν µ. Alors il existe f F telle que, pour tout A F, on a La fonction f : ν(a) = A f dµ. Se nomme dérivée de Radon-Nykodym de µ par rapport à ν Se note f dν dµ. On a f 0 µ-presque partout f L 1 (µ). Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 10 / 58
11 Existence de l espérance conditionnelle Hypothèse: On a Une σ-algèbre F F 0. X F 0 telle que E[ X ] <. X 0. Définition de deux mesures: on pose 1 µ = P, mesure sur (Ω, F). 2 ν(a) E[X 1 A ] = A X dp. Alors ν est bien une mesure (par Beppo-Levi). Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 11 / 58
12 Existence de l espérance conditionnelle (2) Absolue continuité: on a Donc ν P P(A) = 0 1 A = 0 P-p.s. X 1 A = 0 P-p.s. ν(a) = 0 Conclusion: par théorème de Radon-Nykodym, il existe f F telle que, pour tout A F, on a ν(a) = A f dp. On pose f = E[X F]. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 12 / 58
13 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle 4 Interprétation en termes de projection 5 Lois conditionnelles régulières Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 13 / 58
14 Exemples faciles Exemple 1: Si X F, alors E[X F] = X. Définition: On dit que X F si pour tout A F et B B(R), on a ou encore X 1 A. P((X B) A) = P(X B) P(A), Exemple 2: Si X F, alors E[X F] = E[X]. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 14 / 58
15 Démonstration: exemple 2 On a (i) E[X] F car E[X] est constante. (ii) Si A F, ] E[X 1 A ] = E[X] E[1 A ] = E [E(X) 1 A. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 15 / 58
16 Espérance conditionnelle discrète Exemple 3: On considère { Ωj ; j 1 } partition de Ω telle que P(Ω j ) > 0 pour tout j 1. Alors F = σ(ω j ; j 1). E[X F] = j i E[X 1 Ωj ] P(Ω j ) 1 Ωj Y. (1) Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 16 / 58
17 Démonstration: exemple 3 Stratégie: on vérifie les points (i) et (ii) de la définition pour la variable aléatoire Y. (i) Pour tout j 1, on a 1 Ωj F. Donc, pour toute suite numérique (α j ) j 1, α i 1 Ωj F. (ii) Il suffit de vérifier (1) pour A = Ω n et n 1 fixé. Or, E[Y 1 Ωn ] = E j 1 { } E[X1Ωn ] P(Ω n ) 1 Ωn = E[X 1 Ωn] P(Ω n ) E[1 Ωn] = E[X 1 Ωn ]. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 17 / 58
18 Probabilité conditionnelle enfantine Définition: Pour un ensemble mesurable A F 0, on pose P(A F) E[1 A F] Cas particulier de l exemple discret: Soit B, B c une partition de Ω, et A F 0. Alors 1 F = σ(b) = { Ω,, B, B c} 2 On a P(A F) = P(A B) 1 B + P(A B c ) 1 B c. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 18 / 58
19 Lancer de dé Exemple: On considère Ω = { 1, 2, 3, 4, 5, 6 }, A = {4}, B = "pair". Alors P(A F) = B. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 19 / 58
20 Conditionnement d une v.a. par une autre v.a. Définition: Soient X et Y deux variables aléatoires avec X L 1 (Ω). On pose E[X Y ] = E[X σ(y )]. Critère pour déterminer si A σ(y ): On a A σ(y ) ssi A = { ω; Y (ω) B }, ou encore 1 A = 1 B (Y ) Critère pour déterminer si Z σ(y ): Soient Z et Y deux variables aléatoires réelles. Alors Z σ(y ) ssi on peut écrire Z = U(Y ), avec U B(R). Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 20 / 58
21 Conditionnement d une v.a. par une autre v.a. (2) Exemple 4: Lorsque X et Y sont des variables aléatoires discrètes Le calcul de E[X Y ] peut être traité selon la méthode présentée à l exemple 3. Exemple 5: Soit (X, Y ) couple de variables aléatoires réelles de densité mesurable f : R 2 R +. On suppose que R f (x, y)dx > 0, pour tout y R. Soit g : R R une fonction mesurable telle que g(x) L 1 (Ω). Alors E[g(X) Y ] = h(y ), avec h : R R définie par h(y) = R g(x)f (x, y)dx R f (x, y)dx. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 21 / 58
22 Démonstration intuitive On peut écrire formellement: P(X = x, Y = y) P(X = x Y = y) = P(Y = y) En intégrant contre cette densité, on obtient: E[g(X) Y = y] = = = f (x, y) f (x, y)dx, g(x)p(x = x Y = y) dx g(x)f (x, y)dx. f (x, y)dx Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 22 / 58
23 Démonstration rigoureuse Stratégie: on vérifie les points (i) et (ii) de la définition pour la variable aléatoire h(y ). (i) Si h B(R), on a vu que h(y ) σ(y ). (ii) Soit A σ(y ) Alors Donc A = { ω; Y (ω) B } = 1 A = 1 B (Y ) E[h(Y )1 A ] = E[h(Y )1 B (Y )] = h(y)f (x, y)dxdy = = B B B R dy dy R { g(z)f (z, y)dz f (z, y)dz }f (x, y)dx g(z)f (z, y)dz= E[g(X)1 B (Y )]. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 23 / 58
24 Exemple tordu Exemple 6: On prend Ω = (0, 1), F 0 = B((0, 1)) et P = λ. On pose X(ω) = cos(πω), et F = {A (0, 1); A ou A c dénombrable}. Alors E[X F] = 0. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 24 / 58
25 Démonstration Stratégie: on vérifie les points (i) et (ii) de la définition. (i) On a bien entendu 0 F. (ii) Soit A F, tel que A est dénombrable. Alors E[X 1 A ] = A cos(πx)dx = 0. De même, si A F est tel que A c est dénombrable, on a E[X 1 A ] = 1 ce qui démontre notre résultat. 0 cos(πx)dx cos(πx)dx = 0, A c Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 25 / 58
26 Morale de l exemple tordu Intuition: On pourrait penser que, si pour tout x [0, 1], on sait si {x} a eu lieu (on a bien {x} F), alors E[X F] = X. Paradoxe: Ceci est faux car X / F. Bonne intuition: Si l on sait ω A i pour un nombre fini de A i F alors on ne connait rien de X. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 26 / 58
27 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle 4 Interprétation en termes de projection 5 Lois conditionnelles régulières Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 27 / 58
28 Espérance, linéarité Proposition Soit X L 1 (Ω). Alors E { E[X F] } = E[X]. Proposition Soient α R, et X, Y L 1 (Ω). Alors E[αX + Y F] = α E[X F] + E[Y F] p.s. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 28 / 58
29 Démonstration Stratégie: on vérifie les points (i) et (ii) de la définition pour la v.a. Vérification: on a Z α E[X F] + E[Y F]. (i) Z est une combinaision linéaire de E[X F] et E[Y F] Z F. (ii) Pour tout A F, on a E[Z 1 A ] = E { (αe[x F] + E[Y F]) 1 A } = αe { E[X F] 1 A } + E { E[Y F] 1A } = αe[x 1 A ] + E[Y 1 A ] = E[(αX + Y ) 1 A ]. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 29 / 58
30 Monotonie Proposition Soient X, Y L 1 (Ω) telles que X Y presque sûrement. On a E[X F] E[Y F] presque sûrement. Démonstration: On suit le schéma de la démonstration de l unicité de l espérance conditionnelle. Par exemple, si on pose A ε = {E[X F] E[Y F] ε > 0}, on vérifie aisément que P(A ε ) = 0. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 30 / 58
31 Convergence monotone Proposition Soit {X n ; n 1} une suite de variables aléatoires telle que X n 0 X n X presque sûrement E[X] <. Alors E[X n F] E[X F]. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 31 / 58
32 Démonstration Stratégie: On pose Y n X X n. Il suffit de montrer que Z n E[Y n F] 0. Existence de limite: n Y n est décroissante, et Y n 0 Z n est décroissante et Z n 0. Z n admet une limite p.s, notée Z. But: Montrer que Z = 0. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 32 / 58
33 Démonstration (2) Espérance de Z : on va montrer E[Z ] = 0. En effet X n converge p.s. vers X. 0 X n X L 1 (Ω). Donc, par convergence dominée, E[X n ] E[X]. On en déduit: E[Y n ] 0 Comme E[Y n ] = E[Z n ], on a aussi E[Z n ] 0. Par convergence dominée, on a E[Z n ] E[Z ] Ceci implique bien E[Z ] = 0. Conclusion: Z 0 et E[Z ] = 0 Z = 0 presque sûrement. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 33 / 58
34 Inégalité de Cauchy-Schwarz Proposition Soient X, Y L 2 (Ω). Alors E 2 [X Y F] E[X 2 F] E[Y 2 F] p.s. Démonstration: Pour tout θ R, on a E[(X + θy ) 2 F] 0 p.s. Donc, presque sûrement, on a: pour tout θ Q, E[(X + θy ) 2 F] 0, Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 34 / 58
35 Démonstration Développement: Pour tout θ Q E[Y 2 F]θ 2 + 2E[XY F]θ + E[X 2 F] 0. Rappel: Si un polynôme aθ 2 + bθ + c 0 pour tout θ Q on a forcément b 2 4ac 0 Application: Presque sûrement, on a E 2 [XY F] E[X 2 F]E[Y 2 F] 0. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 35 / 58
36 Inégalité de Jensen Proposition Soit X L 1 (Ω), et ϕ : R R telle que ϕ(x) L 1 (Ω) et ϕ convexe. Alors ϕ(e[x F]) E[ϕ(X) F] p.s. Corollaire L espérance conditionnelle est une contraction dans L p (Ω) pour tout p 1 Démonstration: D après l inégalité de Jensen, et X L p (Ω) E[X F] L p (Ω) E { E[X F] p } E[ X p ] Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 36 / 58
37 Conditionnements en chaîne Théorème Soient Alors Deux σ-algèbres F 1 F 2. X L 1 (Ω). E {E[X F 1 ] F 2 } = E[X F 1 ] (2) E {E[X F 2 ] F 1 } = E[X F 1 ]. (3) Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 37 / 58
38 Démonstration Démonstration de (2): On pose Z E[X F 1 ]. Alors Z F 1 F 2. D après l Exemple 1, on a E[Z F 2 ] = Z, i.e. (2). Démonstration de (3): On pose U = E[X F 2 ]. On va montrer que E[U F 1 ] = Z, via (i) et (ii) de la définition. (i) Z F 1. (ii) Si A F 1, on a A F 1 F 2, et donc E[Z1 A ] = E[X1 A ] = E[U1 A ]. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 38 / 58
39 Esp. conditionnelle de produits Théorème Soient X, Y L 2 (Ω), telles que X F. Alors E[X Y F] = X E[Y F]. Démonstration: On utilise une démarche classique en 4 étapes Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 39 / 58
40 Démonstration Etape 1: on suppose X = 1 B, avec B F On vérifie (i) et (ii) de la définition. (i) On a 1 B E[Y F] F. (ii) Pour A F, on a E {(1 B E[Y F]) 1 A } = E {E[Y F] 1 A B } = E[Y 1 A B ] = E[(1 B Y ) 1 A ], et donc 1 B E[Y F] = E[1 B Y F]. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 40 / 58
41 Démonstration (2) Etape 2: Si X est de la forme X = i n α i 1 Bi, avec α i R et B i F, alors, par linéarité on trouve encore E[XY F] = X E[Y F]. Etape 3: Si X, Y 0 Il existe une suite {X n ; n 1} de variables aléatoires simples telle que X n X. Alors par application de la convergence monotone E[XY F] = X E[Y F]. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 41 / 58
42 Démonstration (3) Etape 4: Cas général X L 2 Décomposition X = X + X et Y = Y + Y, et donc E[XY F] = XE[Y F] par linéarité. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 42 / 58
43 Esp. conditionnelle et indépendance Théorème Soient X, Y deux variables aléatoires réelles indépendantes α : R 2 R telle que α(x, Y ) L 1 (Ω) On pose, pour x R, g(x) = E[α(x, Y )]. Alors E[α(X, Y ) X] = g(x). Démonstration: en 4 étapes sur α. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 43 / 58
44 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle 4 Interprétation en termes de projection 5 Lois conditionnelles régulières Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 44 / 58
45 Rappel: projection orthogonale Définition: Soit H un espace de Hilbert espace vectoriel muni d un produit scalaire et complet. F un sous espace fermé de H. Alors, pour tout x H Il existe un unique y F, noté y = π F (x) vérifiant l une des conditions équivalentes (i) ou (ii). (i) Pour tout z F, on a x y, z = 0. (ii) Pour tout z F, on a x y H x z H. π F (x) se nomme projection orthogonale de x sur F. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 45 / 58
46 Espérance conditionnelle et projection Théorème Considérons L espace L 2 (F 0 ) { Y F 0 ; E[Y 2 ] < }. Alors X L 2 (F 0 ). F F 0 1 L 2 (F 0 ) est un espace de Hilbert Produit scalaire X, Y = E[XY ]. 2 L 2 (F) est un sous espace fermé de L 2 (F 0 ). 3 π L 2 (F)(X) = E[X F]. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 46 / 58
47 Démonstration Démonstration de 2: Si X n X dans L 2 Il existe une sous suite X nk Donc, si X n F, on a aussi X F. X p.s. Démonstration de 3: Vérifions le point (i) de la définition de projection Soit Z L 2 (F). On a E[Z X F] = Z E[X F], et donc E {Z E[X F]} = E {E[X Z F]} = E [X Z], ce qui suffit à vérifier (i) et E[X F] = π L 2 (F)(X). Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 47 / 58
48 Application aux vecteurs gaussiens Exemple: Soit Alors (X, Y ) vecteur gaussien centré de R 2 Hypothèse: V (Y ) > 0. E[X Y ] = αy, avec α = E[X Y ] V (Y ). Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 48 / 58
49 Démonstration Etape 1: On cherche α tel que Z = X αy = Z Y. Rappel: Si (Z, Y ) est un vecteur gaussien Z Y ssi cov(z, Y ) = 0 Application: cov(z, Y ) = E[Z Y ]. Donc cov(z, Y ) = E[(X αy ) Y ] = E[X Y ] αv (Y ), et cov(z, Y ) = 0 ssi α = E[XY ] V (Y ). Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 49 / 58
50 Démonstration (2) Etape 2: On applique à présent le (i) de la définition de π. Soit V L 2 (σ(y )). Alors Y (X αy ) = V (X αy ) et Donc E[(X αy ) V ] = E[X αy ] E[V ] = 0. X αy = π σ(y ) (X) = E[X Y ]. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 50 / 58
51 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle 4 Interprétation en termes de projection 5 Lois conditionnelles régulières Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 51 / 58
52 LCR Définition Soit (Ω, F, P) un espace de probabilités (S, S) un espace mesurable X : (Ω, F) (S, S) une variable aléatoire G une σ-algèbre telle que G F. On dit que µ : Ω S [0, 1] est une loi conditionnelle régulière de X sachant G si (i) Pour tout A, l application ω µ(ω, A) est une variable aléatoire, égale à P(X A G) p.s. (ii) ω-p.s. A µ(ω, A) est une mesure de probabilité sur (S, S). Remarque: On aura toujours (S, S) de la forme (R, B(R)), (N, P(N), etc. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 52 / 58
53 Exemple discret Cas de la loi de Poisson: Soient X P(λ) et Y P(µ) X Y On pose S = X + Y. Alors LCR de X sachant S est Bin(S, p) avec p = Démonstration: on a vu que pour n m P(X = n S = m) = On prend alors S = N, G = σ(s) λ λ+µ ( ) n p n (1 p) m n avec p = λ m λ + µ. et on vérifie que ces probabilités conditionnelles définissent une LCR. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 53 / 58
54 Exemple continu Cas de la loi exponentielle: Soient X E(1) et Y E(1) X Y On pose S = X + Y. Alors LCR de X sachant S est U([0, S]). Démonstration: La densité du couple (X, S) est donnée par f (x, s) = e s 1 {0 x s}. Soit alors ψ B b (R + ). D après l Exemple 5, on a E[ψ(X) S] = u(s), avec u(s) = R 2 + R 2 + ψ(x)f (x, s)dx f (x, s)dx = 1 s s 0 ψ(x)dx. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 54 / 58
55 Démonstration De plus, S 0 presque sûrement, et donc, si A B(R), on a P (X A S) = A [0, S]. S En prenant espace d état = R +, S = B(R + ) et en posant µ(ω, A) = A [0, S(ω)], S(ω) on vérifie que l on a défini une loi conditionnelle régulière. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 55 / 58
56 Existence de la LCR Théorème Soit X une variable aléatoire sur (Ω, F 0, P). A valeurs dans un espace de la forme (R n, B(R n )). G F 0 une σ-algèbre. Alors la loi conditionnelle régulière de X sachant G existe. Démonstration difficile et admise. Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 56 / 58
57 Règles de calcul de LCR (1) Si G = σ(y ), avec Y variable aléatoire à valeurs dans R m, on a en fait µ(ω, A) = µ(y (ω), A), et on peut définir la loi conditionnelle régulière de X sachant Y comme une famille {µ(y,.); y R m } de probabilités sur R n, telle que pour tout A B(R n ), la fonction est mesurable. y µ(y, A) (2) Si Y suit une loi discrète, on a en fait µ(y, A) = P (X A Y = y) = P (X A, Y = y). P (Y = y) Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 57 / 58
58 Règles de calcul de LCR (2) (3) Lorsque l on connait la loi conditionnelle régulière, on peut calculer, pour φ B(R n ), les quantités: E [φ(x) G] = E [φ(x) Y ] = φ(x) µ(ω, dx) R n φ(x) µ(y, dx). R n (4) La loi conditionnelle régulière n est pas unique, mais si N 1, N 2 sont deux lois conditionnelles régulières de X sachant G, on a, ω-presque sûrement: N 1 (ω, A) = N 2 (ω, A) pour tout A B(R n ). Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 58 / 58
Moments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
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 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 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 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 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 détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
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 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 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 détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
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 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 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 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 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 détailProduits d espaces mesurés
Chapitre 7 Produits d espaces mesurés 7.1 Motivation Au chapitre 2, on a introduit la mesure de Lebesgue sur la tribu des boréliens de R (notée B(R)), ce qui nous a permis d exprimer la notion de longueur
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 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 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 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 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 détailTHÉORIE DE LA MESURE ET DE L INTÉGRATION.
THÉORIE DE LA MESURE ET DE L INTÉGRATION. THIERRY GALLAY Transcrit par Tancrède LEPOINT 29 UNIVERSITÉ JOSEPH FOURIER, GRENOBLE TABLE DES MATIÈRES Avant-propos Biographie sommaire...........................................
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 détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
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 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 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 détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
Plus en 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 détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en 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 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 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 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 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 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. 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 détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
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 détailMARTINGALES POUR LA FINANCE
MARTINGALES POUR LA FINANCE une introduction aux mathématiques financières Christophe Giraud Cours et Exercices corrigés. Table des matières I Le Cours 7 0 Introduction 8 0.1 Les produits dérivés...............................
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 détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
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 détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (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 détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en 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 détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
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 détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
Plus en 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 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 détailMesures et Intégration
Mesures et Intégration Marc Troyanov - EPFL - Octobre 2005 30 avril 2008 Ce document contient les notes du cours de Mesure et Intégration enseigné à l EPFL par Marc Troyanov, version 2005-2006. Table des
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en 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 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 détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en 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 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 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 détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en 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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en 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 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 détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en 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 détailCorrection du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
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 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 détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détail